目前,模拟电路故障诊断理论和方法的研究仍然是电路测试领域中极具挑战的前沿和热点研究课题。随着半导体技术和工艺的飞速发展,模拟电路不断向大型化、集成化方向发展,电路的复杂性不断提高,故障诊断的难度也随之增大。因此,传统的模拟电路故障诊断理论和方法在实际工程中难以达到预期的效果,寻求高效、适应模拟电路发展需求的故障诊断理论和方法显得尤为重要。近年来,支持向量机成为模拟电路故障诊断的一种新方法,是目前国内外研究的热点。本文针对电路故障诊断中特征参数提取、多类分类等重点问题进行了研究,提出了基于支持向量机与自适应共振理论相结合的多类分类方法。主要研究内容如下：1、电路故障信号采集及特征提取的研究。由于模拟电路具有容差和非线性性,利用PSpice特有的蒙特卡洛分析功能对不同故障状态的信号进行采集,用小波包变换对采集的故障信号进行特征提取。研究了模拟电路输出信号频率成分能量的变化情况和不同故障信号的对应关系,将能量向量作为故障特征向量。针对模拟电路不同故障的特点,提出了最优小波包变换(Optimal Wavelet Packet Transform, OWPT)和不完全小波包变换(Incomplete Wavelet Packet Transform, IWPT)的信号特征提取方法。实验结果表明,最优小波包变换适合于软故障特征提取,不完全小波包变换适合于硬故障特征提取。2、支持向量机与自适应共振理论相结合的多类分类算法的研究。重点研究了支持向量机(Support Vector Machine, SVM)和自适应共振理论(Adaptive Resonance Theory, ART)的原理及实现算法,对支持向量机核函数的选择及不同参数的优化进行了研究及仿真分析,讨论了支持向量机一对多(1-versus-rest,1-V-r)、一对一(1-versus-1,1-V-1)和决策导向无环图(Decision Directed Acyclic Graph, DDAG)多类分类算法,分析比较了以上三种算法的优缺点。针对支持向量机一对一分类算法当分类器输出结果接近于0或票数相同时,投票法就会出现决策错误或拒绝决策的问题,提出了一种实时在线故障诊断方法——基于支持向量机与自适应共振理论相结合的多类分类算法,解决了上述缺点。同时,探讨了神经网络的结构设计、训练算法,在进行数据预处理时引入BP神经网络训练阈值向量,从而提高了分类的精度。通过仿真,验证了此算法的有效性,同时与多种故障诊断方法进行了比较,结果表明基于SVM与ART相结合的故障诊断方法具有更高的精度。3、基于Matlab7.1平台,开发了模拟电路故障诊断系统,设计了故障诊断系统的各个模块,实现了基于改进的SVM-ART-b算法的模拟电路故障诊断。