传统的基于机器学习的模拟电路故障诊断方法依赖复杂的信号处理技术和专业知识来进行故障特征提取，其故障诊断过程复杂。针对上述问题，提出一种基于二维卷积神经网络(2D-CNN)的模拟电路故障诊断方法，将被测电路的原始输出电压转换成故障灰度图(fault gray image,简称FGI)，作为2D-CNN模型的输入，使用模型的卷积层自动提取故障的深层特征，并在模型中通过添加批量归一化（Batch Normalization,简称BN）层对数据分布进行正则化，以减小数据分布偏移带来的影响。该方法在Sallen-Key带通滤波器电路和四阶二运放高通滤波器电路的故障诊断实验中分别实现了100%和99.46%的故障诊断率。该方法不仅简化了故障诊断流程，还保证了故障诊断精度，并具有较强的泛化能力。