最近几年里,电子电路的应用相当广泛,其主要应用在通信、工业控制、医疗设备、家用电子产品、航空航天设备以及军事工业等领域。随着电子电路的集成性和复杂性日益增强,这就要求电子设备的可靠性越来越高,目前使用广泛的电路系统都是以数模混合电路作为基础的。数字电路诊断方法在数模混合电路中取得了广泛应用,诊断方法已发展成熟。由于模拟电路故障诊断模型相对较复杂,可测量的节点数量也十分有限,所以模拟电路故障诊断方法在实际诊断中常常出现误差,影响诊断率。同时,现代模拟电路故障诊断呈现出诊断系统的智能化,诊断系统与诊断方法的集成化。如果通过传统的测试方法和理论,是无法达到现代的需求的。这是因为传统的模拟电路故障诊断中并没有通用表达的模型。因此,本文在研究的过程中对模拟电路故障诊断的方法进行了分析,能够适应当前模拟电路的不断发展,其研究具有重要的意义和比较大的实用价值。本文的理论基础是深度学习、极限学习机ELM（Extreme Learning Machine）以及自编码器AE（Auto Encoder）,非线性电路为被测对象,提出了基于表征学习的模拟电路故障诊断模型,通过提取电路的输出信号,分析研究了模拟电路的故障诊断,其主要的研究成果为:1.针对模拟电路故障诊断中故障信息的多特征、高噪声以及故障诊断时间较慢的问题,提出了一种基于表征学习的模拟电路故障诊断模型,表征学习的基础单元是ELM-AE,它的主要工作是通过数据的转换设计来获得有意义的数据特征表示。通过深入研究ELM以及AE的相关理论,搭建了SELM-AE以及DELM-AE网络模型,它结合了ELM和AE两者的优点,ELM具有较高的泛化能力以及学习的快速性,而AE可以重建输入信号。因此,SELM-AE和DELM-AE可以实现数据的维度压缩以及稀疏表达。基于SELM-AE模型的特点,通过层叠SELM-AE,形成H-SELM模型。H-SELM可以尽可能地通过减少重建误差使输出可以无限接近原始输入,SELM-AE的输出与原始输入信息相同,防止原始信息重要的特征丢失,经过每一个SELM-AE的表征学习,可以学习到输入更紧凑的特征。它可以实现数据不同维度的特征表示,以满足处理高维数据的要求。2.由于SELM-AE只有一个隐藏层,可能学习到的数据特征还不够紧凑。所以在此基础上,增加一个隐藏层,构建DELM-AE模型,该模型的架构单元为双随机隐藏层的深度极限学习机,两个随机隐藏层用于编码特征,一个输出层用于解码特征。首先,H-DELM将较低维的数据随机映射到高维表示空间,得到扩展维数据,然后将特征从高维空间随机变换到低维空间,得到压缩后的特征,即学习的特征代码。将DELM-AE以分层结构堆叠构建H-DELM模型,由于DELM-AE可以进行特征表示,而且输出与原始输入信息相同。因此,H-DELM可以尽可能多地复制原始输入数据,进而可以学习到更具表现力和紧凑性的特征。然而在DELM-AE表征学习的过程中,第一个隐藏层具有大量的节点,保证了强大的特征映射能力,第二隐藏层减少了节点数,实现了特征的紧凑化。因此,它作为H-DELM的基本单元可以实现更多完整的特征表示,以保存更多的信息,进而实现训练的快速性。H-DELM的最终目标是寻求更快的训练速度、更紧凑的表征学习和更高的分类性能。3.分析模拟电路是否能用表征学习模拟电路故障诊断模型进行诊断,表征学习是对传统的诊断方法去粗取精,简化了传统方法,即特征提取+分类器,由于表征学习可以处理高维故障数据,所以将高维的故障特征数据作为表征学习框架的输入,通过数据的转换来取得更有意义的表征数据后进行分类。而从四运放双二次高通滤波器、二级四运放双二阶低通滤波器电路提取中的故障数据维度较高,有利于实现表征学习故障诊断和学习网络的非线性拟合。4.由于表征学习可以满足处理高维数据和学习更紧凑的故障特征,故验证四运放双二次高通滤波器、更复杂的二级四运放双二阶低通滤波器电路对本文提出的学习模型的适用性。并用非线性整流电路进行普遍适用分析验证。实验结果表明了该算法在模拟电路故障诊断上的可行性,而且与其他算法作比较,证明了本文模型的鲁棒性较高,分类速度可以达到1s左右,故障分类准确率可以达到99%以上,甚至对某些电路的单故障诊断率可以达到100%。