随着近代电路学的发展,模拟电路的故障诊断越来越成为学者们关注的焦点之一,从上个世纪60年代初开始到发展成为如今网络理论中公认的第三个分支只用了很短的时间。而其中很大一部分模拟电路的信号是非线性的,这就使得非线性模拟电路的故障诊断成为故障诊断理论中极为重要的组成部分,到目前为止已经针对非线性模拟电路的故障诊断方法做了大量的研究。然而,随着集成化技术的不断发展,应用电路已经进入了高集成化时代,电路系统的规模越来越大,可及节点却越来越少,致使有些电路故障的某种特征相似,用单一的特征已经很难分辨。本文针对非线性模拟电路的故障诊断中单来源特征不够充分的难题,采用了基于双Wiener核的信息智能优化融合的故障诊断方法,该方法首先利用高斯白噪声作为激励,采样后利用离散Wiener核获取方法获得电路和电源的两个Wiener核,再基于改进的粒子群退火算法,将特征选择提取和融合有机结合为一个优化问题,以电路各状态矢量的集总欧氏距离作为目标函数进行优化,最后提出了基于集总欧式距离权重分配的信息融合方法,使不同信息有机融合,并利用BP神经网络完成智能诊断。在进行理论研究的同时,本文还设计了基于ATmega128单片机的模拟电路故障诊断系统,其硬件主要包括高斯白噪声发生和诊断两大部分。同时设计了应用于诊断的上位机软件,可以实现获取电路和电源的Wiener核、两个Wiener核的特征选择提取和优化融合以及神经网络训练学习等功能。利用已设计完成的系统,对电路故障进行了实际测量,实验表明可以比较直观的诊断出故障元件和故障类型,证明了本文基于Wiener核信息融合的非线性模拟电路故障诊断方法的可行性。通过与单一电路Wiener核进行故障诊断的实验对比,证明了本文基于Wiener核信息融合的非线性模拟电路故障诊断方法能更加有效的区分故障特征。