在环境污染和能源危机日益严重的大背景下,电动汽车成为了我国极具战略性的新兴产业。电池管理系统作为新能源电动汽车最重要的部件之一,保障着车载动力电池组高效安全持久的运行。电池健康状态（State of Health,SOH）反映电池的老化程度变化,其准确估计是优化电池管理系统的关键。由于动力电池内部工作原理复杂、电池本身可测量的参数存在强非线性、参数之间相互耦合等原因,准确估计SOH的难度很大。针对电动汽车动力电池SOH难以准确估计的问题,本文从电池老化循环数据中提取健康特征参数,设计了基于补丁学习的多模型融合方法来估计电池SOH,通过融合多种机器学习方法来达到提高SOH估计准确性的目的。主要内容如下:（1）基于动力电池循环老化恒流恒压阶段试验测试数据,从恒流过程的电压曲线、恒压过程的电流曲线以及静置过程的电压曲线三个阶段中提取十三种健康特征参数。采用皮尔逊相关系数分析特征参数与SOH的关联度,并通过典型相关分析融合各阶段特征,达到降低数据维度、提高数据相关度的目的。（2）设计一种基于补丁学习方法的多模型融合算法来估计电池SOH,根据补丁学习的原理,利用长短时记忆神经网络（Long Short Term Memory Network,LSTM）构建基于电池老化特征参数的全局模型,根据全局模型的估计输出筛选出估计效果差的局部区域作为补丁,根据补丁位置选择ELMAN神经网络与极限学习机（Extreme Learning Machine,ELM）更新局部模型,最终实现基于补丁学习方法的SOH估计。（3）采用电池老化测试得到的B01-B03电池数据验证所设计的SOH估计算法的预测性能。以循环老化数据中的B01电池老化数据训练SOH估计模型,利用B02与B03电池数据提取健康特征作为输入测试SOH估计模型,对比模型输出的估计值与SOH真实值,验证算法的准确性。测试结果表明,使用补丁学习方法的SOH估计模型可以有效提高SOH估计精度,估计结果均方根误差比传统的LSTM模型降低0.12%。本文的创新之处:（1）从电池恒流恒压充电和静置三个阶段的数据出发提取了十三种特征,利用典型相关分析将各个阶段的特征进行融合得到一种特征。该方法可以最大限度的获取电池数据的老化特性,并达到有效降低数据维度提高数据相关度的目的。（2）以特征融合结果作为模型输入,设计了一种基于补丁学习的多模型融合算法来估计电池SOH。该方法有效集成LSTM、ELMAN和ELM等不同机器学习算法的优点,从而提高SOH估计的准确性。