模拟电路是电子器件设备的核心组成部分,而电路元件的可靠性问题直接影响着电子器件设备在整个系统的运行情况。随着电路的集成度越来越高,模拟电路中电路元件自身又具有非线性、容差性等特点,且受外界影响易导致故障多样性问题,使得模拟电路的故障问题突出,可靠性受到威胁,因此研究模拟电路故障与诊断问题变得尤为重要。支持向量机方法是一种在有限样本情况下具有较好的推广能力的学习算法,能有效的解决模拟电路故障诊断分类问题,因此,本文用支持向量机方法研究模拟电路故障识别与诊断问题,主要有三方面内容:故障特征的提取方法、核函数的优化方法及支持向量机的改进算法。对于模拟电路故障特征的提取问题,文中研究了四种提取方法:主成分分析法、小波分析法、小波包分析法及S变换法,首先分析了各方法的原理,再通过实例电路进行仿真分析,并利用支持向量机模型对电路进行分类诊断。根据最终的故障诊断率分析了各提取方法的特点、应用优势及故障分类效果。支持向量机分类器中的惩罚参数和径向基函数的核参数严重影响故障诊断性能,因此,本文利用双链量子遗传算法对两个参数进行优化的方法。通过University of California-Irvine(UCI)数据库中Wine数据集与Iris数据集验证双链量子遗传算法具有优化性能好,分类精度高,分类速率快的优点,再用两个实例电路仿真,电路一针对的是多故障情况并用小波特征提取方式,电路二针对的是单一的软故障并用S变换的时频关系得到特征值,并与传统的遗传算法、粒子群算法、量子遗传算法进行对比,表明该优化方法能得到较高的最佳适应度,较短的收敛时间。针对模拟电路故障识别不准确、诊断精度低等问题,本文研究了支持向量机改进算法,即K最近邻的一对一支持向量机的模拟电路故障诊断方法,该改进方法能提高故障诊断率,有效地解决了支持向量机一对一法因存在不可分区域而造成的误分问题,用小波分析法提取输出端电压信号作为故障特征值,用网格搜索方法对核参数、惩罚参数进行寻优,并用两个模拟电路进行仿真,将改进的方法与传统支持向量机法进行对比,证明了该改进方法的可行性。