非线性模拟电路智能诊断占据着电路测试领域的重要地位，备受学者们关注。智能故障诊断中，模式识别是诊断的核心。电路模式识别获得的原始特征值包含很多冗余信息，如果全部用于故障诊断，不仅使得故障分类界限模糊，更加大了数据计算工作量。因此如何有效提取电路特征信息，成为了亟待解决的问题。本文针对这一问题，利用Wiener核级数描述非线性模拟电路，并通过粒子群模拟退火算法对Wiener核故障特征进行提取，以实现对待测电路高效、准确的故障诊断。本文论述了非线性模拟电路的Wiener泛函级数描述方法，以及基于Wiener核和BP神经网络的智能诊断原理，并对Wiener核的获取方法进行了研究，同时给出通过自适应学习速率调整改进的BP神经网络的设计方法。利用Wiener核描述非线性模拟电路，需要选择一些各故障状态核的差别较显著的频率点，把这些频点核作为特征参数，这样进行诊断时准确性较高。本文研究了改进粒子群模拟退火算法的智能特征选择和提取方法，进行Wiener核的特征提取和选择。通过三个测试函数和Wiener核特征提取实例验证，在初始种群数相同和最大进化代数相同的情况下，改进粒子群模拟退火算法的优化精度和算法速度均优于粒子群算法和模拟退火算法，同时验证了Wiener核的粒子群模拟退火算法特征选择和提取的方法是可行的，能够提取出最能反映故障特征参数。在进行理论研究和仿真的同时，本文设计基于ATmega128单片机的故障诊断系统，其中包括信号采集单元、数据存储单元以及数据通信单元等。同时设计了上位机应用软件，可实现获取Wiener核、核特征提取以及神经网络训练学习等功能。利用已组建的系统，对故障电路实际测量，可以较为直观诊断出故障器件和故障类型，验证了本文特征优化提取方法的正确性和准确性。