模拟电路故障诊断一直以来都是十分必要且有意义的，已成为热门的研究课题。传统的模拟电路故障诊断的方法也有很多种，但是它们一般都是用于诊断开路、短路这种硬故障的，难以发现在电路中的各个元器件存在类似器件缺陷或缓慢失效之类的软故障。本文通过对电路电压信号在时域、频域和时频域的分析处理，实现对故障信号的特征提取，初步判断电路是否故障，进而通过神经网络进行具体故障的诊断，实现了良好的诊断效果。而基于虚拟仪器的故障诊断系统的设计，实现了较好的人机交互功能。本文研究基于神经网络的模拟电路故障诊断的一般方法和诊断步骤，探讨了RBF网络的结构设计、训练算法以及用于故障诊断的优势，研究了如何选取故障特征的方法。传统的基于神经网络的故障诊断一般只训练一个网络，而网络输出的维数由其故障模式的个数决定，即一个网络达到故障诊断的目的；本文提出了采用根据故障模式的个数训练多个单输出网络构成一个系统综合判断的方法。在已知样本集的情况下，比较了采用传统的K—means方法求取RBF网络隐层聚类中心和尺度函数的系统诊断效果和采用统计的方法求取RBF隐层聚类中心和尺度函数的系统诊断效果。最后选取了一个典型滤波器电路，对其故障诊断过程进行了具体的仿真实现。实验结果表明，RBF神经网络能够有效的对故障特征进行分类和识别，可以达到故障自动定位和诊断的目的，且诊断率高。而基于本文提出的多个网络综合判断的方法的诊断结果更优于传统的基于神经网络的故障诊断方法。