锂离子电池作为一种新兴绿色能源在电动汽车等领域得到了广泛的发展和应用。基于锂电池退化数据的健康状态估计与剩余使用寿命预测则是锂电池健康管理中的关键问题,本文通过对锂离子电池退化数据的分析与建模,提出了两种预测锂离子电池健康状态和剩余使用寿命的方法。具体工作如下:首先,结合锂离子电池的工作机制和退化机理,分析了NASA PCo E实验室两类不同运行情况下的锂离子电池数据,以及容量随周期的变化规律,表明了退化数据驱动的电池健康状态估计的可行性。其次,基于高斯过程回归提出一种锂离子电池的健康状态和剩余使用寿命预测方法。从锂离子电池的循环充电电流中提取了五个健康特征,灰色相关分析表明,这五个特征与电池健康状态高度相关。通过改进基本的高斯过程回归模型,并基于这些特征值建立了一种新的锂离子电池健康状态估计模型。同时,建立了基于循环的多项式回归模型以更新未来的特征值。进一步,通过结合健康状态预测模型和多项式特征值更新模型,设计了锂离子电池的剩余使用寿命预测框架。实验结果表明,本文所提模型的预测精度优于基础的高斯过程回归模型,并且通过随机游走电池数据验证了所提出模型的鲁棒性。最后,提出一种融合数据驱动模型的锂离子电池健康状态估计方法。该方法先利用遗传算法-反向传播神经网络表达电池健康特征与健康状态间的关系,建立了锂离子电池健康状态的多特征退化模型。进一步,提取基于电池表面温度信息的可测指标,利用粒子滤波设计了锂离子电池退化速度的估计方法。最后,通过融合遗传算法-反向传播神经网络退化模型与粒子滤波,提出了一种可以量化预测结果不确定性的健康状态估计新方法。两种不同类型锂离子电池数据的实验分析表明,提出的健康状态估计方法相较于其他方法不仅有更高的准确性,还评估了预测结果的不确定性,有效提高了健康状态估计的可靠性。