自上个世纪六十年代起,相关研究人员与学者就将精力投入到对模拟电路故障诊断方法的研究,经过几代人的努力,该领域取得了令人瞩目的研究理论与技术成果。然而模拟电路本身所具备的特性,即其元器件参数拥有的容差性和电路发生的故障模式复杂多样,导致了诊断方法在实际应用中会出现误差,影响结果的准确率。本文提出了将深度信念网络应用于对故障特征进行提取,并将建立BP神经网络故障分类模型,同时将二者分别与智能优化算法结合,以达到更好的模拟电路故障诊断效果。本文首基于现有的故障诊断理论与方法,提出了一种将深度信念网络用以解决故障诊断中获取深度特征向量问题的方法。深度信念网络作为故障特征提取工具,能够发现故障信号中更深层次的规律,获取最优特征向量,然后将其作为已训练好的BP神经网络的输入从而进行故障分类。深度信念网络克服了其他特征提取方法易于忽略信号中的有用信息以及提取的特征易于发生重叠的问题,从而提取深度和本质特征。通过仿真实例证明了该方法的实施步骤的可行性和诊断效果的有效性。针对现有的理论方法与相应技术的条件下对模拟电路进行故障模式识别会出现的困难,本文提出了将量子粒子群算法用于优化深度信念网络和BP神经网络的模拟电路诊断方法。该法首先用量子粒子群算法优化深度信念网络的结构参数,而后利用其提取电路的故障特征,再通过量子粒子群算法优化BP神经网络的结构参数,确定最佳的网络结构,并将获得的最优特征集作为优化BP神经网络的输入,从而获得最优的分类结果。量子粒子群算法的寻优能力较强,可以做到快速提高网络的泛化能力。此方法消除了在搭建故障诊断模型时对网络结构参数进行选择时的盲目性,从而使网络的收敛速度大大提高。通过仿真实例验证了该方法对故障进行诊断的准确性。