随着新能源汽车产业电动化、网联化、共享化和智能化进程的不断加深,纯电动汽车的市场前景变得更加广阔,安全运行在其产业发展中的地位也越发重要。而故障预测是纯电动汽车安全运行和维护过程中的重要环节,因此,如何高效且准确地预测纯电动汽车的故障具有重大的研究价值和现实意义。为解决纯电动汽车进行故障预测时所面临的类别不平衡和特征维度高的问题,本文基于新能源汽车大数据平台上的真实电动汽车数据,开展了机器学习方法在电动汽车故障预测中的可行性研究,然后从数据层面和算法层面研究了相关优化方法,最后构建了电动汽车故障预测流程并进行了实验验证,为高效挖掘电动汽车数据的价值以及故障预测提供了可借鉴的方案。本文的主要研究如下:（1）纯电动汽车故障原理及特征相关性分析。基于纯电动汽车的真实运行数据,对故障时间段内的特征进行单因素分析,结合专业领域知识分析了故障原理,并揭示了故障数据的分布规律以及特征间的相关性。（2）数据预处理及故障特征数据集的制作。根据纯电动汽车运行数据和故障预测问题的特殊性,制定了一套预处理方案,包括异常值筛选、缺失值填充和数据对齐等。通过打标签制作了故障数据集,并提出了数据特征工程以还原了真实环境下车辆发生故障时的状态。（3）电动汽车故障预测算法的研究。电动汽车故障预测问题可抽象转化为异常检测问题或分类问题。进行各种机器学习算法的调研后,最后采取OCSVM、随机森林和Light GBM算法进行电动汽车故障预测,并进行了实验验证。实验结果证明了基于机器学习方法进行电动汽车故障预测的可行性。（4）混合采样、特征选择和集成学习。针对故障数据集类别不平衡和特征高维的特点,进行了类别不平衡问题的分类方法研究,从数据层面和算法层面分别确定了混合采样（基于SMOTE和Tomek Links）、联合特征选择（基于IG算法和随机森林模型）和集成学习（Stacking）的优化方法。（5）建立对照实验并评价不同的优化方法。从数据层面和算法层面分别优化不平实验结果表明,混合采样通过改善数据集的类别不平衡现象,联合式特征选择方法通过筛选出有效特征,Stacking集成学习方法通过优化模型分类能力,均有效地增强了电动汽车故障预测模型的泛化能力。基于本文提出的串行优化方法所建立的模型,Macro＿F1和AUC值分别为0.5305和0.8805,查全率R达到了0.9489,优于相关文献的预测效果,表明本文研究的方法具有一定的可行性和实际应用价值。另外,经其他车型的故障数据验证,本文所构建的串行优化模型能够在电动汽车实际故障出现的5分钟之前成功预测出故障。