随着电子系统的应用领域日渐广泛,电子电路的复杂性和集成度不断加深,对电路测试技术的要求也越来越高。模拟电路作为电子电路系统的重要组成部分,对其故障诊断技术的优化是提高电子电路测试技术的必要途径。然而,由于模拟电路元件的容差性和非线性,以及可测节点有限等特性,以往的故障诊断方法难以取得理想的测试结果,因此有必要探索更高效的测试诊断方法。本文基于神经网络技术,结合小波包分析方法,针对模拟电路中的软故障问题,引入粒子群算法、杂草算法等智能算法,对BP神经网络进行了一系列的优化,旨在提高其故障诊断的精度和效率。本文主要从以下几项展开研究:1、探索小波包分析和神经网络在模拟电路故障诊断领域的应用方法。小波包分析具有良好的时频分析特性,能提取得到优质的故障特征;神经网络具有出色的泛化学习能力和非线性映射性能。本文先用小波包分析实现模拟电路的故障特征提取,再结合神经网络的分类识别能力,实现模拟电路的故障定位。2、构建基于粒子群算法优化BP网络参数（PSO-BP）的模拟电路故障诊断模型,提高基于BP网络分类模型的诊断精度和收敛速度;其次,针对粒子群算法易陷入局部收敛的不足进行改进,引入变异算子的同时结合非线性递减权值策略,提出了一种基于改进粒子群（IPSO）算法优化BP网络参数（IPSO-BP）的改进型分类模型,分别采用Sallen-key和CTSV滤波电路进行故障诊断的仿真和实验,结果表明IPSO-BP分类模型的诊断效果优于BP网络、PSO-BP分类模型,具有较快的收敛速度和较高的诊断精度。3、构建基于入侵杂草算法优化BP网络参数（IWO-BP）的模拟电路故障诊断模型,进一步提升基于BP网络分类模型的诊断精度和收敛速度。接着引入自适应参数选择策略,同时融入差分进化算法的交叉、变异、选择算子,提出一种自适应杂草混合算法（AIWODE）优化BP网络参数（AIWODE-BP）的改进型分类模型,分别采用两个典型电路验证其分类效果,结果表明AIWODE-BP分类模型能有效地防止局部收敛,缩短故障分类时间,获得更高的故障诊断精度。4、提出一种杂草粒子群混合算法（HPSO）来优化BP网络参数的改进型分类模型。对三种典型电路进行仿真分析,并与IPSO-BP、AIWODE-BP、CS-BP和IWOBP以及PSO-BP分类模型进行对比,结果表明HPSO-BP分类模型能够获得最优的故障分类效果。本文工作是对智能化故障诊断方法的有益探索,在一定程度上丰富了模拟电路故障诊断的研究成果。