目前,新能源汽车是全球汽车产业绿色发展和转型的重要方向,电池管理系统作为新能源汽车发展的关键部分,它通过对电池包进行监控和管理,来确保汽车处于一个安全的运行状态。其中动力电池的健康状态（State of Health,SOH）估计一直是电池管理系统研究的重点,现有的电池状态估计方法,一般不将电池的电极反应动力学信息作为考虑因素,但是电池在进行充放电的时候,其内部电极界面发生的电化学反应与电池的SOH密切相关,所以根据电极反应信息来估计电池的SOH是可行的。而通过电化学阻抗谱（Electrochemical Impedance Spectroscopy,EIS）技术得到的EIS曲线,恰好可以反映电池的电极动力学信息,因此本文基于EIS和LSTM对锂电池SOH进行了研究,主要研究内容如下:首先,设计了合理的实验,利用离线EIS测试手段,得到锂电池在不同状态（温度、荷电状态、老化状态）下的阻抗谱数据,通过分析阻抗谱随各状态的变化规律,发现在低频1Hz处的阻抗虚部值随SOH的减小而增加,而且不同荷电状态和温度下的阻抗谱也存在差异,最终选取出影响电池SOH估计的特征参数。其次,考虑到LSTM神经网络对具有时间序列的数据具有良好的预测能力,提出了一种基于LSTM神经网络的锂电池SOH的预测方法,模型的预测结果表明,该模型具有较高精度。然后,为了实现上述估计方法,本文针对车用锂离子电池设计了一款交流阻抗测量方案,首先根据离线的EIS实验,给出激励方式和测试频率范围选取的依据。然后基于EIS测试原理进行硬件电路的设计,其中包括各子电路的具体设计过程和元器件选型。最后给出了两种用于阻抗计算的方法,并分析了各自的优劣,最终选取电压/电流的方法实现交流阻抗的计算。最后,基于Lab VIEW设计并实现了一个锂电池SOH预测软件,软件基于离线测量得到的锂电池的历史数据,通过动态选择模型的不同参数,实现了锂电池SOH的估计。图54幅,表4个,参考文献63篇。