随着计算机技术的高速发展,电路系统所占的比例越来越大。在数模混合电路中的大部分故障来源于模拟电路部分。模拟电路由于其连续性,非线性及元件参数的容差性等特点,使得诊断过程十分复杂。通常大家所认为的故障是永久故障,其实还有更为特殊的瞬时故障和间歇故障,其中瞬时故障和间歇故障的表现非常类似,因此它们之间没有严格的区别。在此,可以将两者统称为间歇故障。恶劣的工作条件会导致模拟电路间歇故障经常发生,间歇故障具有难复现、难测试、难诊断等问题。对模拟电路故障和间歇故障的诊断也是许多学者研究的重点。论文分析研究了模拟电路故障诊断中故障的特征提取和模式分类等两方面的关键技术:对于模拟电路故障特征提取的问题,提出两种方法。一种是提出利用时域分析统计量（如样本极差,均值,标准差,偏斜度,峭度和熵等）作为模拟电路故障的特征向量。另一种方法是提出一种小波包变化的时频分析方法来进行故障特征的提取。通过对电路的原始信号进行多层小波包分解,再对分解系数进行重构后求得小波包能量熵,最后使用当前主流的主成分分析方法（PCA）来进行特征选择,进一步降维后得到模拟电路的故障特征向量。对于模拟电路故障识别分类的问题,研究了深度置信网络（DBN）模型的构造方法。DBN作为深度学习中的一种模型,具有很好特征识别和分类能力,同时还具有强大的处理高维非线性数据和自学习的能力,能够有效准确的定位故障。搭建模拟电路模型收集到原始数据集后,对其进行时域特征提取,然后作为DBN网络的输入,经实验结果表明此方法有良好的故障诊断效果可以达到较高的识别率。为了进一步提高模拟电路的故障识别率并且降低网络模型的迭代次数,对原始数据进行小波包能力熵的提取,然后使用PCA方法进行降维得到特征向量,将其作为模拟电路的特征向量输入到DBN网络模型中,对DBN网络模型进行训练学习后完成故障的诊断。最后,将提出的方法与常见的模拟电路故障诊断方法进行比较,结果表明所提方法具有更高的故障识别率。针对模拟电路系统间歇故障发生的时间、频率、概率及故障强度等随机性强,难以建模和检测这一工程实际问题。搭建模拟电路间歇故障的电路模型进行数据的收集,将小波包能量熵与DBN相结合的方法运用在更为特殊的模拟电路间歇故障诊断中,该方法通过样本集训练出有效的DBN模型,实现了对间歇故障的诊断。与BP反向传播算法进行对比,实验结果表明提出的DBN方法在模拟电路间歇故障诊断中表现依旧优异。