在经济日益增长的今天,锂电池已经在各行各业中得到了广泛应用。但锂电池在循环使用过程中受高温、隔膜老化、使用不当等因素影响,电池性能逐渐退化,间接导致用电设备性能下降并引起设备故障,造成巨大的人力物力财力损失。因此,需要对锂电池进行剩余使用寿命（Remaining Useful Life,RUL）预测。本文以锂电池为研究对象,对锂电池的RUL预测方法展开研究。并选择极限学习机这一一种结构简单、运算速度快、预测精度较高的算法作为锂电池RUL预测的网络模型。本文在极限学习机的基础上,提出了改进哈里斯鹰算法优化极限学习机（IHHO-ELM）预测模型,并将其应用于锂电池RUL预测中。本文主要完成如下工作:（1）针对锂电池内部复杂的化学反应,首先了解其工作原理,分析其退化机理,得出其退化过程具有高度强时变性的特点。其次提出利用极限学习机（Extreme Learning Machine,ELM）作为网络模型对锂电池RUL进行预测,并介绍其基本原理。最后提出利用哈里斯鹰优化（Harris Hawk Optimization,HHO）算法对ELM模型的网络参数进行寻优。（2）针对经典HHO算法存在易陷入局部最优的问题,提出了一种改进的HHO算法。IHHO算法首先在初始化种群阶段,引入ICMIC映射策略改进初始种群规模,利用其遍历性的特点将种群均匀分布在搜索空间内。然后提出了一个逃逸能量E指数衰减机制,用于改进经典HHO算法逃逸能量线性衰减的不足。最后在种群位置更新阶段,提出随机扩域对立学习策略,为全局最优解提供一个候选解,引导算法跳出局部最优。最后,仿真实验部分利用了10个基准测试函数,验证了提出的IHHO算法的可行性和鲁棒性。（3）针对ELM的随机生成网络参数可能导致预测模型精度受影响的问题,本文选择IHHO算法对ELM模型网络参数进行寻优,并建立了IHHO-ELM锂电池RUL预测模型。并基于NASA锂电池公开数据集提取了6个锂电池间接寿命预测特征,通过Pearson相关系数和Spearman相关系数验证了本文所提取的间接寿命预测特征的有效性。利用提取的锂电池间接寿命预测特征驱动预测模型,验证了此方法可以有效克服ELM的复共线性问题,并与经典ELM预测模型以及其他五个模型做对比实验分析,进一步验证了此模型的优越性能。实验结果表明了该算法不但减小了RUL预测的误差,而且提高了算法结果的稳定性。