在能源短缺和环境恶化的双重制约下,为了实现节能环保目标,电动汽车得到了前所未有的发展。锂离子电池因具有能量密度高、循环寿命长和绿色环保等诸多优势被广泛应用于电动汽车,装机量也随势快速上涨。随着使用时间的增加,锂离子电池逐渐老化,当不再满足电动汽车运行的性能要求时,需要被更换以确保车辆运行的安全性和可靠性。随着电动汽车的飞速发展,退役电池的数量也迅速增长,大规模退役电池的回收利用已成为一个极具挑战性的难题。目前,针对退役电池的梯次利用研究尚处于起步阶段,技术发展不够成熟。一方面,退役电池的健康状态（SoH）决定了电池的梯次利用场景,传统的电池SoH估计方法多针对退役之前的车载应用,当下针对退役电池的SoH估计方法精度低,泛化能力差;另一方面,退役电池各性能参数具有强不一致性,难以直接配组利用,当前退役电池分选方法测试时间冗长、效率低,或指标单一、效果差,使得梯次利用的成本升高,同时也制约了梯次利用产业的发展。本文针对退役电池在梯次利用中的关键问题,基于大量实验数据,提出了针对退役电池的健康状态估计方法,建立了退役电池的快速分选与综合评价模型,主要内容如下:首先,对电池的老化特性进行了分析,以LiNCM和LiFePO4电池为研究对象,搭建了电池测试平台并设计了测试方案,基于高质量的测试数据,对电池单体和串联电池组内各电池模块的老化特性进行了分析,分别在容量、内阻和开路电压三个方面分析了电池的老化不一致性,为后续的退役电池的梯次利用研究奠定了坚实基础。其次,针对传统方法对退役电池的SoH估计精度低,泛化能力差等问题,提出了一种基于孪生支持向量回归机（TSVR）的退役电池SoH估计方法。以8组LiNCM退役电池模块为研究对象,通过拆解、打磨得到97节退役电池单体。通过实验数据,分析了退役电池在不同工况下的容量分布,提取IC曲线的峰值点坐标及峰值区域40mV等电压时间间隔作为输入特征,对应的容量作为输出,训练SoH估计模型。通过实验验证了本文提出的基于TSVR的退役电池SoH估计方法的估计效果,在不同的工况下,SoH估计最大相对误差在1.3%以内,平均相对误差小于1%。根据SoH估计结果,可以对退役电池在不同梯次利用场景的应用进行初步分选。然后,针对大规模退役电池初始状态的差异性,导致分选效率降低的问题,以LiNCM退役电池为研究对象,设计了不同初始电压下的特征充电实验,分析了 97节退役电池单体的容量分布情况。论证了退役电池的快速分选方案,通过提取部分特征充电曲线的老化特征,采用支持向量分类机（SVM）训练了退役电池分选模型,并用粒子群算法（PSO）优化了可能影响模型分选结果的SVM参数。经验证,优化后的退役电池快速分选模型在三种不同的初始电压下,均有良好的分选效果,50次分选的平均正确率分别为 86.8%、94.5%和 93.8%。最后,针对退役电池在不同梯次利用场合的配组中,单一评价指标过于片面性的问题,分析对比了常见的综合评价方法的优劣,搭建了基于CRITIC-灰色关联分析（GRA）的退役电池综合性能评价模型。选取多参数评价指标,并由退役电池实际数据对模型的评价结果进行了验证,结果发现在同一容量类别中,容量较高的退役电池综合性能并不一定更好,证明了对退役电池性能综合评价的必要性。在完成前述快速分选之后,针对不同的梯次利用场合,选取合适的评价参数,对同类别中的退役电池进行综合评价,将各类别中关联度相近的电池重新配组。经验证,重新配组电池的充放电曲线一致性得到了极大改善,各类别退役电池的充放电电压标准差比未分选类别减小了 2-13倍。