质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell,PEMFC）是将化学能转为电能的能量转换装置,其清洁、高效、温度低和启动快等优势使其在新能源汽车领域受到广泛关注。延长电池使用寿命是PEMFC技术在商业化进程中亟待解决的问题之一。预测与健康管理技术是提高设备安全性和延长寿命的重要手段,其核心思想是通过对性能下降趋势的预测来估计剩余使用寿命,再制定维修策略。以平均电压作为PEMFC性能表征,本文研究目标是预测电压下降趋势。在实际行驶过程中,燃料电池客车面临复杂的路况和变化的操作条件,负载电流也随之不断变化。为计算不同操作条件下的电压,以多参数电压数学模型为基础,结合衰退分析从中提取老化参数。随后通过和声搜索确定其初始值。老化参数的变化决定了电压的衰退趋势,对电压的预测实际上是对老化参数的预测。为满足不同应用场景,本文建立了两种方法来分别预测老化参数,以电压预测值的平均绝对误差（Mean Absolute Error,MAE）为准确度指标对预测结果进行分析。对于由加载工况数据点构成的数据集I,本文提出了基于粒子滤波和回归模型的预测方法。老化参数被视为系统状态,粒子滤波估计训练阶段的状态,随后通过贝叶斯岭回归（Bayesian Ridge Regression,BRR）和高斯过程回归（Gaussian Progression Regression,GPR）分别建立老化参数与时间的关系,最后预测老化参数和电压。结果显示BRR可以相对快速、准确地预测电压,MAE不超过8.5m V。对于由间隔指定时间的数据点构成的数据集II,本文提出了基于优势演员-评论家算法的电压预测方法,演员神经网络描述老化状态随时间的变化规律和评论家神经网络对老化参数进行评估,再根据电压误差建立环境模型。通过演员-评论家网络和环境模型之间的不断交互来训练网络,更新网络参数。结果表明,在与前一方法相同的电流范围内,预测电压MAE小于9.5m V。虽然方法一准确度略优于方法二,但前者仅适用包含特定加载过程的数据集,且电压模型更加复杂。而后者不仅简化了电压模型,还能用于任意条件下的数据集。因此方法一适合实验理论分析,方法二在车用电池电压预测中更有潜力。