新能源电动汽车产业蓬勃发展,锂离子电池以良好的性能成为电动汽车的主要动力源。而随着电池的循环使用,其性能逐渐退化,且剩余使用寿命（Remaining Useful Life,RUL）日益减少,严重影响了电动汽车的安全行驶。由于数据驱动的方法不需要了解退化机理或者建立复杂的电池模型,本文将基于以深度学习和迁移学习为核心的融合方法,挖掘锂离子电池历史运行信息的内在规律,实现RUL的精确预测,主要的研究内容如下:首先,介绍了锂离子电池工作原理以及老化特性,通过分析充电过程中电压、电流的变化,提取了反映电池性能退化的健康因子。对NASA和CACLE公开的电池退化数据集进行可视化分析,并阐述了容量自恢复现象对退化趋势的影响。由于锂离子电池退化过程属于时序问题,本文选择长短时记忆网络（LongShort Term Memory,LSTM）作为基础研究方法。针对LSTM无法提取多维数据空间特征的缺陷,提出了改进的Spatial LSTM网络。针对容量自恢复问题,提出了时序注意力机制,使模型更专注于重要时刻信息的学习。最后,深层挖掘电池历史数据中时间和空间信息,建立了时空RUL预测（Spatial-temporal Remain Useful Life Forecasting,STRULF）模型,实验结果表明,STRULF模型能够充分提取数据中的特征,准确估计容量恢复时刻数据的变化,并且克服了容量自恢复对整体预测趋势的影响。考虑到锂离子电池退化时间长,数据获取困难以及数据分布随时间变化的问题,引入了迁移学习方法,利用源域知识辅助目标域模型的构建。为了准确衡量源域和目标域的差异,提出了协方差差异和最大均值差异的融合法;同时设计了时序分布匹配策略来解决时间依赖问题。最后,结合预训练-微调方法的思想,提出了基于时序的深度迁移网络（Time Series Deep Transfer Network,TSDTN）模型用于预测RUL值。通过对比迁移后与未迁移模型的实验结果,证明了所提迁移方法在数据稀少时的有效性且解决了时间依赖问题。针对实际中电动汽车的复杂行驶工况,以数据流形式收集的数据会动态改变,以及离线学习无法满足需求的问题,对在线学习进行了研究。在STRULF模型基础上,设计了依据数据分布变化的在线学习策略,同时提出了Auto Dropout机制来增强模型的泛化能力。此外,在TSDTN模型的基础上,利用集成学习思想,提出了多源集成在线迁移学习,根据目标域与源域之间的相关性,确定每个源域的知识迁移量。最后,通过对比实验验证了所提出的在线学习方法能够应用于实际中,并获得较好的预测效果。