در این پایان نامه، روشی نوین برای تشخیص خطا و تشخیص محل خطا در اسیلاتورهای کنترل شونده با ولتاژ ارائه شده است. برای این کار از روش های موسوم به dft و تکنیک های رایج در تست مدارهای آنالوگ الهام گرفته شد. خطاهای محتمل در پیکربندی تعریف شد و بر اساس آن کتابخانه خطا برای تمام کلاس ها استخراج و جمع آوری گردید. از شبکه عصبی مصنوعی به عنوان مکانیزم هوشمند در دسته بندی اطلاعات استفاده شد و به کمک آن تمام بازه ی محتمل خطاها تحت پوشش قرارگرفته و محل خطای رخ داده بدرستی تشخیص داده شد. همچنین سیگنال مقاومت منفی را توسط ژنراتورکمکی تولید کرده و توسط استخراج این سیگنال که حاوی اطلاعات کافی در زمینه پیکربندی و وضعیت سیستم است، موفق به شناسایی پیکربندی سیستم و تشخیص محل خطا شدیم. پیاده سازی روش تشخیص محل خطای پیشنهادی، بر روی دو پیکربندی از اسیلاتورهای کولپیتس و هارتلی به صورت شبیه سازی انجام گردید. در مرحله عملی نیز این روش، بر روی اسیلاتوری از خانواده ی کولپیتس پیاده-سازی شد. در مرحله شبیه سازی، اسیلاتور کولپیتس در بازه ی فرکانسی 140-160 mhz نوسان کرده و مدل خطای آن، احتمال رخ دادن 22کلاس مختلف را پیش بینی می کند. اجرای روش پیشنهادی توسط کتابخانه خطا و دسته بندی کننده شبکه عصبی، خطاهای احتمالی را در 18کلاس تشخیص محل داد. و در روش پیشنهادی با استفاده از پردازش سیگنال مقاومت منفی، موفق به تشخیص محل تمام خطاهای محتمل به صورت جداگانه شدیم. اسیلاتور هارتلی نیز در بازه ی 90-100 mhz نوسان کرده و از مجموع 23کلاس احتمالی، 19 کلاس توسط شبکه عصبی و 23کلاس توسط پردازش سیگنال مقاومت منفی تفکیک می شوند. در مرحله ی عملی، اسیلاتوری از خانواده کولپیتس توسط تقویت کننده jfet در بازه فرکانسی 50-80 mhz ساخته شد و روش پیشنهادی تشخیص محل خطا بر روی آن اعمال گردید. این روش تمام خطا های محتمل را در قالب 17 کلاس موفق به تشخیص محل شد. شبیه سازی های اسیلاتورهای فرکانس بالا توسط نرم افزار serenade v8.7 از شرکت ansoft انجام پذیرفت و پیکربندی شبکه عصبی مصنوعی توسط نرم افزار matlab انجام شد. در قسمت عملی، برای نمونه برداری های ولتاژ و جریان از اسیلوسکوپ tektronix مدل tds2022c استفاده کردیم. نتایج تشخیص دهنده ی خطای هوشمند پیشنهادی، در موارد شبیه سازی و عملی، نشان از توانا بودن این روش برای تشخیص محل خطا برای مدل خطای ارائه شده در اسیلاتورهای مختلف می باشد.