锂离子电池作为一种性能突出且应用广泛的储能电源，是目前国内外的研究热点，建立电池寿命评估方法和寿命模型，科学地评价和预测电池寿命是其中的一个重要方面。支持向量机（Support Vector Machine，SVM）集诸多优点于一身，是人工智能领域的一个研究热点。该方法已被成功应用于蓄电池的容量预测上并获得较好的效果。本文建立了基于最小二乘支持向量机（Least Square SVM，LS-SVM）的锂离子电池寿命预测模型，预测锂离子电池的剩余容量，进而实现对锂离子电池的寿命预测。预测模型中的相关参数选取很重要，本文采用的遗传退火算法能有效的提高模型的预测精度以及泛化能力。文章最后通过仿真实验结果表明基于径向基核函数的LS-SVM的预测结果要优于人工神经网络（Artificial Neural Networks，ANN）和标准SVM。第一章主要是介绍锂离子电池寿命预测的目的、意义、国内外研究现状和SVM在寿命预测方面的应用情况。第二章详细介绍了锂离子电池的基本工作原理、寿命影响因素、失效机制等，从理论上分析锂离子电池的性能特征，掌握其变化规律。第三章基于统计学习理论，介绍了SVM的基本原理，详细阐述支持向量分类机模型和支持向量回归机模型，为下一章的建模提供理论基础。第四章建立LS-SVM回归预测模型，并采用径向基函数为核函数，利用遗传退火算法选取参数。最后用锂离子电池的30组数据进行仿真实验，将本文方法与ANN、标准SVM进行比较。