锂离子电池凭借清洁、稳定等独特优势已经被广泛应用于了各个领域,同时对锂电池的预测和健康管理也成为必要性工作。随着充放电过程的进行,锂离子电池的性能不断地退化,剩余使用寿命(Remaining Useful Life,RUL)不断缩短。因此,预测锂电池的RUL成为了评估健康状态的重要方法。目前已有的锂电池RUL的预测方法包括基于模型的方法和数据驱动的方法。基于模型的方法往往需要对锂电池的性能退化过程有详细的了解以建立退化模型,而建立的模型通常较为复杂且泛化性能有限。数据驱动的方法则通过历史数据来进行RUL预测,而不需要对具体退化过程有深入的了解。本文从数据驱动的预测方法出发,根据电池运行过程的历史数据通过以深度学习为核心的方法对锂电池的RUL预测进行研究,主要的研究工作如下:首先,提出了一种基于长短时记忆(Long-Short Term Memory,LSTM)结构的神经网络模型对锂电池的容量序列进行预测以实现RUL的预测。通过LSTM结构拟合锂电池容量的退化趋势,提取容量序列中体现的退化特性,对未来容量变化做出预测以确定RUL的终止周期。实验结果证明了预测模型在容量序列预测中的有效性,为之后研究内容提供了模型基础。其次,通过Dropout在神经网络结构中的应用建立了RUL预测的概率分布模型。介绍了Dropout通常意义上作为一种避免过拟合的手段加入到神经网络结构中之外,作为近似贝叶斯神经网络的方法描述模型不确定性的作用。并通过蒙特卡罗Dropout方法建立了RUL预测的近似概率分布模型。最后,在单序列容量预测基础上,提出了基于相似序列的多序列预测方法。由于同种电池的性能退化过程具有很高的相似性,在预测模型中加入了待测序列的相似序列辅助预测。实验表明,基于相似序列的预测提升了预测模型预测的稳定性和对突变现象的反应能力。