动力电池组是电动汽车最核心的部件,有效地对其健康状态（State of Health,SOH）估计及剩余寿命（Remaining Useful Life,RUL）预测是保证电动汽车安全、稳定和高效运行的关键。由于电池组的性能参数与电动汽车的运行工况高度相关,而实验室条件难以对实际运行工况进行模拟,因此研究基于实车数据的电池组SOH估计和RUL预测更具有实用价值和现实意义。本文基于电动汽车实际运行数据,对电池组的SOH估计和RUL预测开展研究,主要研究内容如下:（1）对实车数据进行缺失值处理、片段划分和异常值处理操作,为后续研究提供数据基础;进一步按片段对与电池组容量和内阻高度相关的电流和电压数据进行分析,揭示其片段特性以及其随充放电次数增加的变化规律。（2）针对实车数据的片段特性,提出从深度充放电片段出发计算电池组的容量和内阻值,为电池组SOH提供表征参数。通过安时积分逆运算获取不同充电深度下的容量值,确定最能反映容量衰退趋势的深度充电片段;进一步构建基于深度充电片段的电池组等效电路模型,采用含遗忘因子递推最小二乘法对模型进行参数辨识,实现对深度充电片段内阻的计算。考虑到容量及内阻缓慢连续变化的特性,为相邻放电片段赋予对应的容量和内阻值。（3）考虑到目前电池组SOH表征参数的单一性,对以容量和内阻表征的SOH结果进行融合,得到多指标融合的深度充放电片段的SOH值;针对无法直接计算SOH值的充放电片段,构建电池组特征参数与SOH之间的Light GBM和CNN模型。结果表明,利用Light GBM模型可有效实现对电池组SOH的估计,其验证集均方根误差仅有0.0509,相比于CNN模型,其均方根误差减少了0.0354。（4）以电池组SOH序列数据作为关键因子对电池组RUL进行预测。针对电池组SOH的时序特性,通过多参数优化实验,构建基于TCN-Attention的未来单时刻SOH预测模型;为了实现未来多时刻SOH的预测,以得到电池组RUL的预测结果,对单时刻SOH预测结果进行迭代构成模型新的输入数据。结果表明,TCN-Attention模型对未来多时刻SOH预测的效果最好,其验证集的均方根误差达到了0.2634,并且在TCN模型的基础上减少了0.2082。