Este documento propone un método de detección y clasificación de debilidades recesivas en el convertidor Superbuck a través de la descomposición en paquetes de ondaletas (WPD) y el análisis de componentes principales (PCA) combinado con una red neuronal probabilística (PNN). El convertidor Superbuck presenta un rendimiento excelente en muchas aplicaciones y también se enfrenta a las demandas actuales, como una mayor confiabilidad y una operación más estable. En este documento, se aborda el problema de detección y clasificación de debilidades recesivas. Primero, se demuestra el rendimiento de las debilidades recesivas tanto en el dominio del tiempo como en el de la frecuencia para mostrar claramente el deterioro real del sistema de circuitos. La WPD y el teorema de Parseval se utilizan en este documento para destacar la extracción de debilidades recesivas. La discrepancia de energía de las señales de falla en diferentes niveles de descomposición de ondaletas se eligen como vectores de características. También se emplea el PCA para la reducción de la dimensionalidad de los vectores de características. Luego, se aplica una red neuronal probabilística para detectar y clasificar automáticamente las debilidades recesivas de diferentes componentes sobre la base de las características extraídas. Finalmente, se verifica y prueba la precisión de clasificación del algoritmo de clasificación propuesto con experimentos, que presentan una precisión de clasificación satisfactoria.