模拟电路故障诊断方法研究不仅在电路理论上具有重要的意义,而且在电子设备、集成电路等实际应用方面也具有很重要的价值。传统的模拟电路故障诊断方法也有很多种,这些方法诊断的成败很大程度上取决于模拟电路故障诊断的优化模型,且模型一旦确定就难以改变,缺乏相应的灵活性,还有可能最终没法得到模拟电路故障诊断的方程从而无法对它们进行有效地诊断。于是越来越多的人开始逐步尝试将人工智能技术应用到模拟电路的故障诊断领域,但是传统的人工神经网络存在自学习输入样本要求较高、局部最优、欠学习与过学习以及模型的结构难于确定等问题,而基于支持向量机的模拟电路故障诊断方法可以很好地解决这些问题。本文研究了基于支持向量机的模拟电路故障诊断的一般方法和步骤,分析了其中的故障特征的提取和支持向量机模型的建立等其中的部分难点和关键技术；阐述了模拟电路故障诊断与支持向量机的的基本理论知识；研究了模拟电路故障特征提取的方法：最后选择一个典型的低通滤波器电路,使用Pspice软件对模拟电路进行故障仿真,用Matlab软件对故障特征数据进行处理并实现故障诊断。实验结果表明,支持向量机能够比较准确地分类和识别模拟电路中存在的单软故障,同时基于支持向量机SVM的模拟电路故障诊断的精度以及训练、测试时间性能均优于基于BP神经网络的模拟电路故障诊断；实验结果还表明,基于有效采样点和基于小波包的故障特征提取这两种方法均是切实可行的,且基于小波包的模拟电路故障诊断的精度以及训练、测试时间性能均优于基于有效采样点的模拟电路故障诊断。总之,基于支持向量机的模拟电路故障诊断方法,对于解决模拟电路中的单软故障诊断问题是切实可行的。