近几年,电动汽车和其他能源领域的电池中使用最广泛的是锂离子电池,其健康状态（State of Health,SOH）是评估电池老化程度的重要性能指标,直接影响了应用中的安全可靠和经济问题。然而,一方面锂离子电池退化呈复杂非线性变化,另一方面电池在使用过程中,可直接监测的只有端电压、电流和温度等较少的参量,其不能直观的反映出电池的SOH或性能退化程度。基于此,本文以锂离子电池为研究对象,通过分析全寿命周期电池可监测数据的特性变化,挖掘出表征电池退化机制的特征参数,利用数据驱动方法建立特征参数与健康状态之间的关系,主要研究内容和成果如下:（1）由于电池数据采集设备存在测量噪声,导致充电电压呈非单调递增;数据采集时采样频率的不同,导致电池同寿命阶段提取的健康特征有差异。上述两个问题会降低SOH的估计精度。基于此,提出一种新的等时采样电压重构方法。将实验数据统一进行处理之后形成新的数据集,用于第三章锂离子电池退化特征的提取。（2）容量增量分析法（Increment Capacity Analysis,ICA）是分析锂离子电池退化机制的重要方法。在电池使用过程中,ICA可以将很小的电压平台显示出来,具有很强的辨识性。在恒定温度环境下,电池表面温度随电池老化实时发生变化,可以用来表征电池的健康状态。但由于电池退化机制的复杂性,使用单特征很难准确估计SOH。基于此,提出一种新的容量和温度融合的多参数特征的健康指标（Health Indicators,HIS）。分别包括:峰值间的差值、峰面积、温度变化率、充电时间、平均温度和温度极大值。其中,单特征中最大关联度为0.9069,HIS关联度为0.9371,可知HIS与电池退化容量的关联性更强。性能评估显示,使用HIS的估计误差最小。（3）通过研究支持向量回归（Support Vector Regression,SVR）算法以及线性粒子群优化（Linear Particle Swarm Optimization,LPSO）算法,可知SVR泛化性能好,可以解决小样本,非线性以及高维度的问题,适用于电池SOH估计。LPSO具有收敛速度快,耗时短,易于实现等特点。基于此,本文将两种算法进行结合,使用线性粒子群优化-支持向量回归（Linear Particle Swarm Optimization-Support Vector Regression,LPSO-SVR）方法构建SOH估计模型。与不同优化算法和数据驱动方法进行对比,测试结果表明,LPSO-SVR方法能在确保估计精度同时,降低运行时间,且相关系数R~2均处于0.98以上,适用于SOH估计。