模拟电路故障诊断的研究是电路测试领域中极具挑战性的前沿和热点研究课题。由于模拟电路响应的连续性、非线性和元器件参数的容差等固有的特点以及模拟电路故障的多样性复杂性,使得传统的故障诊断理论和方法在实际的的应用诊断中难以达到预期的效果。随着现代化电子技术的飞速发展,网络规模和结构日趋功能化和模块化,研究如何运用现代诊断技术快速、准确、有效地诊断模拟电路故障成为实际工程迫切需要解决的课题,也是模拟电路故障诊断理论和方法走向实际应用的关键步骤。小波理论的出现和发展,神经网络理论和方法的日益成熟,利用小波进行故障信号的分析和处理以及用神经网络来进行故障诊断,已成为热门的研究课题,大量的研究成果表明,它们为模拟电路的故障诊断提供了新的途径。本文以神经网络、小波(包)分析、多小波变换、遗传算法、粒子群算法、信号处理等理论为基础,深入研究了模拟电路的故障特征提取和故障诊断方法,本文的研究工作主要体现在以下几个方面：(1)阐述了神经网络和小波变换、小波包以及多小波变换理论,对常用的BP神经网络进行了详细的阐述,针对BP算法的不足讨论了几种改进BP算法；对小波理论领域的新兴的研究热点—多小波变换进行了探讨。(2)在分析和阐述神经网络、(多)小波(包)变换各自理论的基础上研究了两者的结合—(多)小波(包)神经网络在模拟电路故障诊断中的应用；比较深入地研究了紧致型小波神经网络和多小波神经网络的结构、学习算法及逼近性质。(3)对模拟电路故障诊断的关键步骤—故障特征向量的提取进行了详细的讨论和研究,文中研究了四种用于故障特征向量提取的方法—小波提取、最优小波包提取和主成分分析提取和多小波变换提取,通过诊断实例对四种方法各自的优缺点进行了分析和研究。(4)对神经网络的参数优化方法进行了研究。基于传统神经网络的模拟电路故障诊断方法普遍存在网络收敛慢、易限于局部最优等缺陷。本文分别研究了将遗传算法、粒子群算法优化神经网络的结构和参数,与传统的普通神经网络相比较,这些方法给出的神经网络的学习既包括网络权值的修正,也包括神经网络其它一些参数的调整。通过各自的诊断实例表明通过优化后的神经网络在故障诊断准确率和诊断速度方面有了进一步的提高。(5)从信号的高阶累积量角度和数据融合的观点出发,研究了基于信号的峭度、偏度特征提取结合信息融合的模拟电路故障诊断方法,并通过诊断实例验证了该方法的高效性和可行性。(6)为增强论文的实用性,给出了紧致型小波神经网络、遗传小波神经网络和粒子群小波神经网络进行模拟电路故障诊断的MATLAB仿真源代码程序,已在作者的仿真平台上运行通过。