随着半导体技术和工艺的飞速发展，电子设备得到了广泛应用，且组成和结构越来越复杂。而电子系统中容易出问题的部分往往在模拟电路，为了提高系统的安全性和可靠性，对模拟电路故障诊断和测试提出了更高、更新的要求。另外随着电路大规模发展趋势，电路可及节点也日益减少。这些因素使得模拟电路测试问题成了困扰集成电路工业生产和发展的技术瓶颈，因此开展模拟电路故障诊断和测试的研究，具有很大的理论价值和实际意义。极限学习机(extreme learning machine，ELM)在训练前只需要设置网络隐层节点个数，算法执行过程中不需要调整网络的输入权值以及隐层单元的偏置，并且产生唯一的最优解，参数选择容易、学习速度快且泛化性能好。因此本文将极限学习机与模拟电路故障理论诊断相结合，开展了基于ELM的模拟电路故障诊断方法的研究和实现。本文提出了基于主成分分析和极限学习机的模拟电路故障识别方法。首先对电路进行故障特征提取，将输出信号的采样点的电压幅值作为故障特征样本，利用主成分分析的方法提取信号的故障特征。其次，通过ELM分类器对故障进行分类，得到满意的结果。在此基础上，为进一步提高ELM的泛化能力和诊断精度，提出了基于ELM-RBF的故障分类。将极限学习机算法应用到径向基神经网络中，它结合了两者的优点，隐含层数目减少，优化网络结构，具有很高的诊断精度。考虑到影响ELM性能主要因素是网络连接权值和阈值，研究了结合群智能算法的模拟电路故障诊断方法。利用群智能算法的的全局寻优能力，以差分进化算法和群搜索算法为例，优化ELM的连接权值和阈值，获得了最优网络，应用于故障分类中，达到了很好的效果。由于集成学习可显著提高学习系统的泛化能力，提出了基于k-means聚类的极限学习机集成优选的电路故障诊断方法，将bagging思想和k-means聚类有效结合，对极限学习机进行选择性的集成，提高了分类精度。将上述的基于ELM的故障诊断方法分别应用于一些具体电路的仿真实验研究，实验结果表明这些方法能较好地分析模拟电路的故障响应，较准确地完成模拟电路的故障诊断，具有良好的可行性。