连续性、非线性、容差性一直是模拟电路故障诊断工作中难以解决的问题,制约着模拟电路故障诊断技术的发展。现有电路故障诊断技术远不能与电路的发展速度相匹配,导致模拟电路的测试、维修成本一直居高不下。而模拟电路也是电路系统中故障率较高的部分,通常占80%以上。在大多数芯片中,模拟电路占芯片电路的10%左右,但后期维护成本却占整个芯片运行成本的90%以上。所以,研究模拟电路故障诊断技术,具有十分重要的价值。基于目前研究现状,本文重点完成了以下工作:(1)首先分析模拟电路故障诊断的发展现状,综合分析了机器学习算法中的BP神经网络和支持向量机两种算法。从选定测试电路开始,对故障集的选择、Monte Carlo仿真和机器学习算法应用等方面进行了探讨,详细地阐述了每个环节的工作过程。为了更进一步对比两种算法在模拟电路故障诊断中的效果,介绍了模型评估的几个标准。利用BP神经网络算法建立了故障数据的诊断模型,在Active Filte电路上进行仿真实验。(2)结合实际仿真,提出了一套完整有效的机器学习在模拟电路故障诊断中的诊断效果评价标准。该标准包含反馈率、准确率等评价指标。分别对机器学习算法中的BP神经网络算法和支持向量机算法进行模拟电路故障诊断性能评估,评估结果显示,该评价标准比较全面、有效,为机器学习在其他领域的上的应用提供了新的思路。(3)通过对诊断效果的分析比较得出,BP神经网络处理非线性问题表现出非常好的效果,对于诊断模拟电路内部故障这种具有十分繁琐的内部系统的难题,BP神经网络算法十分有效,但是BP神经网络算法在计算收敛速度方面较慢,这也是其缺点之一。支持向量机算法的准确率对少数支持向量的样本依赖程度很高,这些样本影响着支持向量机的决策函数,选取的支持向量越多,其计算的复杂性也就越复杂。课题在训练过程中除去了大量的无用样本,使得支持向量机算法比较简单。.