En un circuito analógico, los parámetros de los componentes tienen tolerancias y los parámetros de los componentes defectuosos presentan una amplia distribución, lo que dificulta la clasificación del diagnóstico. Para abordar este problema, este artículo propone un método de diagnóstico de fallas suaves que combina el algoritmo optimizador de apareamiento de percebes mejorado (BMO) con el clasificador de máquina de vectores de soporte (SVM), que puede lograr la mínima redundancia y la máxima relevancia para la reducción de la dimensión de la característica con información mutua difusa. Para ser concreto, primero, se utiliza el algoritmo optimizador de apareamiento de percebes mejorado para optimizar los parámetros de aprendizaje y clasificación. Adoptamos seis funciones de prueba que están en tres conjuntos de datos del repositorio de aprendizaje automático de la Universidad de California, Irvine (UCI) para probar el rendimiento del clasificador SVM con cinco algoritmos de optimización diferentes. Los resultados muestran que el clasificador SVM combinado con el algoritmo optimizador de apareamiento de percebes mejorado se caracteriza por una alta precisión en la clasificación. En segundo lugar, se aplican la información mutua difusa, el principio de mínima redundancia mejorada y máxima relevancia para reducir la dimensión del vector de características. Finalmente, se lleva a cabo un experimento de circuito para verificar que el método propuesto puede lograr la clasificación de fallas de manera efectiva cuando los parámetros de falla son tanto fijos como distribuidos. La precisión del método propuesto de diagnóstico de fallas es del 92.9% cuando los parámetros de falla están distribuidos, lo que es un 1.8% más alto que otros clasificadores en promedio. Cuando los parámetros de falla están fijos, la tasa de precisión es del 99.07%, que es un 0.7% más alta que otros clasificadores en promedio.