电子电路故障诊断一直是电路领域里的研究热点。随着电子电路规模和集成度进一步提高,以及电子电路模拟部分的元件的非线性、容差效应问题的影响,电子电路故障特征呈现复杂的非线性情况,对于电子电路故障的特征提取和诊断技术提出更高的要求。对此,本文提出一种基于深度特征学习的电子电路故障诊断方法。由于电路故障特征的提取实质在于找到故障响应信号的非线性表达,而深度学习技术恰是一种对数据逐层地非线性映射表达实现特征提取的技术。因此本文结合电路故障特征提取与深度学习技术的特点,展开了对电路故障的深度特征提取的研究。本文的研究主要集中在以下2点:(1)提出一种基于SAE-SOFTMAX的电路故障特征提取方法。该方法通过构建堆叠自动编码器(SAE)和SOFTMAX分类器的深度学习框架,结合无监督的预训练和有监督的全局微调,优化堆叠自动编码器的特征提取性能,实现了电路故障特征的深度提取。(2)给出两种基于SAE特征提取的电子电路故障诊断模型。包括基于SAESOFTMAX的诊断模型和基于SAE-SVM的诊断模型。前者融合SAE与SOFTMAX分类层实现电路故障特征的快速提取和诊断,后者以SAE提取特征、与鲁棒特性强的SVM结合构成电路故障诊断模型。最后两例电路仿真实验表明:基于SAE-SOFTMAX的电路故障特征提取技术具有很好的效果,较传统的小波和主元分析法所提取具有明显的技术优势、特征评估指标高;本文提出两种电路故障诊断模型均未错分。对于基于SAE-SOFTMAX的诊断模型,在诊断效果及性能都优于传统的神经网络诊断模型。