Los sistemas de energía electrónica modernos dependen en gran medida de circuitos analógicos. La detección precisa de fallas en circuitos analógicos, especialmente fallas suaves, es de gran importancia para el mantenimiento y la inspección de sistemas electrónicos. Este documento propone la aplicación del método de selección de características Boruta en el campo del diagnóstico de fallas suaves de circuitos analógicos para filtrar componentes de características de baja dimensión y eficientes a partir de las características estadísticas de dominio temporal de alta dimensión y características de dominio de frecuencia de las respuestas del circuito. Luego, los componentes de características se utilizan como entrada para entrenar el modelo de clasificación LightGBM, y se introduce el método de optimización bayesiana para optimizar los hiperparámetros del modelo. Finalmente, el modelo de diagnóstico de fallas entrenado se verifica en dos circuitos experimentales típicos, y se obtiene una precisión satisfactoria.