在现代电子电路制造领域中,电子元件缺陷造成的电路故障可能导致电子产品的安全问题。电路中的大部分故障都发生在模拟电路部分,所以各国学者针对模拟电路故障检测技术进行了大量的研究。在模拟电路故障检测领域中,深度学习技术是新兴的研究方向之一,但由于模拟电路中元件参数容差性与非线性的问题,导致深度学习模型的特征值提取非常困难,且需要选择合适的诊断模型进行故障检测。本文以单故障检测为目的,设计了一种深度学习特征值的提取方法,并选用两种分类模型检测故障,设计实验验证了使用电路信号检测技术和深度学习技术融合的模拟电路故障检测方案。本文的主要内容如下:1.深度学习模型特征值的选取。针对深度学习模型特征值的选择问题,本文根据模拟电路低频噪声发生的机理与噪声叠加定理,选择低频噪声功率谱密度作为故障特征信息。设计有源低通滤波器的10种单故障模式,通过Pspice软件进行电路仿真,计算电路等效输出噪声。实验表明10种单故障下的等效输出噪声各不相同,证明通过噪声功率谱密度可以检测电路故障。2.改进型平均周期互谱图法的提出。为了采集噪声功率谱密度,本文通过分析平均周期图法和Welch修正周期图法的特点,根据Welch修正周期图法中数据重叠的原理,在兼顾FPGA平台资源的基础上,提出一种改进型平均周期互谱图法。该方法使用低通滤波器、低噪声放大器、ADC采样和FPGA硬件平台,采集在不同电路状态下的噪声谱密度作为特征值。设置对比实验,通过与平均周期互谱图法对比,采集特征值的方差降低3.8686倍,改善了样本方差,提高了噪声谱估计质量。3.基于多元Logistic回归算法和K邻近算法的模拟电路故障诊断。针对故障诊断的问题,本文选择多元Logistic回归算法和K邻近算法构建分类模型,以电路输出噪声功率谱密度作为特征值,通过训练诊断模型实现单故障检测的目的。根据同一电路状态下的噪声谱服从正态分布的特点,提出一种基于正态分布和样本期望填充原理的数据预处理方法,通过清洗异常样本改善样本集质量,通过设置对比实验,证明经过数据预处理后,样本集的方差降低2.3648倍,有效地改善了样本集的离散度。经过实验测试故障诊断正确率达到92.8%,诊断时间为2S,且正确率随着样本集数量的增加有所提高。