可充放电电池作为卫星主要供能元件,对其安全与正常运行起着关键的作用。研究电池健康状态诊断方法,给出电池的使用状态,预测电池的性能衰退,可以为卫星电池的维护与更换提供有效数据与参考,防止由于电池导致的卫星失效,造成不可挽回的损失。本文针对卫星电池健康状态诊断问题进行了深入研究,主要工作如下:提出了一种基于支持向量回归机粒子滤波(Support Vector Regression-Particle Filter,SVR-PF)的卫星锂离子电池健康状态诊断方法。首先根据卫星锂离子电池阻抗衰退机理与阻抗和容量的相关性,定义电池健康状态变量,提出健康状态变量辨识模型与辨识方法,该方法克服了标准粒子滤波具有的粒子贫化效应,提高了估计准确度。其次针对现有研究成果在电池剩余有效工作时间(Remaining Useful Life,RUL)预测过程并未更新RUL概率密度的缺点,利用辨识得到的电池健康状态变量,建立了基于SVR-PF的锂离子电池RUL预测模型,提出了一种基于SVR-PF的卫星锂离子电池RUL预测方法。该方法将预测阻抗值作为量测输出,充分利用了健康状态估计结果,具有能够更新RUL概率密度的优点,从而提高预测准确度,为未来卫星锂离子电池的健康状态诊断提供了一种可行手段。针对目前卫星锂离子电池阻抗数据实时测量手段缺乏,阻抗数据难以获得的情况,提出了一种基于SVR-PF的卫星锂离子电池健康状态诊断次优方法。该方法根据容量随时间的衰退机理建立容量衰退模型,利用容量衰退参数表示电池健康状态,采用SVR-PF辨识容量衰退参数,对电池的RUL进行预测,此方法同样具有能够更新RUL概率密度的优点。采用实测卫星锂离子电池数据进行分析和验证,表明该方法具有较高的预测准确度。针对基于小样本的卫星锂离子电池RUL预测问题,提出了一种基于DS数据融合与SVR-PF的卫星锂离子电池RUL组合预测方法。首先对DS数据融合在锂离子电池RUL预测中的应用进行架构,随后给出了预测步骤,提出了进行融合预测的公式,最后建立基于DS数据融合与SVR-PF组合的锂离子电池RUL预测模型,使得在可用数据较少时锂离子电池的RUL依然能够被准确的预测。针对模型难以建立的卫星镍氢电池,提出了基于改进人工神经网络(Artificial Neural Network,ANN)与改进SVR的电池健康状态诊断方法。首先针对卫星镍氢电池压强数据为时间序列形式的特点,提出了一种改进的小波自回归神经网络电池健康状态诊断方法。该方法基于赤池信息准则(Akaike Information Criterion,AIC)更新遗传算法(Genetic Algorithm,GA)的适应度函数,同时考虑预测准确度与模型复杂度,对小波神经网络参数进行优化,从而提高了预测的准确度与收敛速度。随后针对卫星镍氢电池电压数据易于大量获取的特点,提出了一种改进的SVR电池健康状态诊断方法。该方法采用混合核函数替代常规SVR中的单一核函数,利用量子粒子群算法(Quantum Particle Swarm Algorithm,QPSO)对混合核函数SVR参数进行优化,在QPSO算法中引入多样化因子增强粒子群多样性,使得优化效果提升。最后采用实测卫星镍氢电池压强与电压数据对改进算法进行了验证。