由于锂离子电池本身具备单体式电压较高、能源密度较大、可再生资源利用周期短、循环寿命长、无污染等诸多优点,这些都使得它们成为储能元件制造商的首选。然而锂电池安全性问题一直都是现代人们所非常关心的一个重点课题,由于目前锂电池对于温度变化的敏感性很强,在进行充放电的过程中温度太高甚至会直接导致锂电池的燃烧、爆炸等情况造成后果,过低的温度也可能会直接导致锂电池的实际可使用能源和功率密集性降低。为了更加便利地进行电池的控制、诊断与供热管理,建立精确的锂电池温度模型,并且对实时地获取锂电池内部的温度场分布也具有十分重要的意义。锂离子电池的温度场属于典型的分布参数系统,温度的变化情况不仅与时间有关,同时还与空间有关,即具有时空耦合的特征。这种过程在数学上是由偏微分方程来描述的,本质上属于无限维的系统。在实际的应用中,由于其复杂的边界条件和过程的不确定性等因素,很难得到其精确的解析模型。针对这种时空耦合的特征问题,采用时空分离的建模策略是常见的手段。通过将由时间和空间决定的时空数据进行时空分离和降维,得到仅和空间相关的空间基函数和仅与时间相关的低阶时间系数,然后根据对其低阶时序数据的学习后可建立相应的时序模型,最后通过时序模型预测得到对应时刻的时间系数后与空间基函数进行时空重构就可以得到原始维度的时空数据,完成对时空数据的预测。对于空间基函数的学习问题,传统的Karhunen-Loève（KL）方法具有很好的效果。然而这种方法是线性方法,对于强非线性系统,这种方法学习到的空间基函数不能够表征系统的空间非线性特征。而对于时间系数模型的选择,选择BP神经网络（Back Propagation Neural Network,BP-NN）或者支持向量机（Support Vector Machine,SVM）常常都能获得不错的效果,然而他们都不适用于在线预测。基于上述内容,本文做了以下工作:（1）针对锂电池实验过程存在的成本以及安全性问题,采用仿真实验代替真实实验。研究锂电池的产热、传热机理,并对传统锂电池常用的机理模型——电化学-热耦合模型进行阐述。在确保获得的仿真结果满足精度要求后,将获得的数据用于后续模型的训练以及测试,来验证模型的效果。（2）针对传统的KL法所学习到的空间基函数对于非线性数据效果不佳的问题,采用一种基于KPCA的方法对时空数据进行降维并且学习到空间基函数和对应的低阶时间系数。利用仿真实验得到的锂电池温度场数据验证所使用的方法确实拥有较高的精度。（3）针对传统数据拟合模型对低阶时间系数训练时间过长,不适合在线学习的问题,提出一种双端极限学习机（Double ended-Extreme Learning Machine,DE-ELM）,依靠ELM强大的运算速度,对模型进行训练学习,同时对低阶时间系数和预测误差进行学习,将预测低阶时间系数与空间基函数进行时空重构后再利用预测的误差进行残差修正。利用仿真实验得到的锂电池温度场数据对所提出的模型进行验证,结果表示其能够在保证精度的条件下,获得更短的计算时间,可适用于在线预测。（4）针对所提出模型仅适用于离线预测而未实现在线预测的问题,采用一种基于正则化和遗忘因子的在线顺序极限学习机（Extreme learning machine based on regularization and forgetting factor,RFOS-ELM）的算法利用仿真实验过程中实时采集的温度数据对模型的参数进行在线更新,具有比离线模型更高的精度。同时为了消除历史采集数据对于现在时刻预测结果的影响,为模型的历史训练集加上一个小于1的遗忘因子,并且加入了正则项,从而削弱历史样本对预测结果的干扰,并突出当前数据对下一刻预测数据的作用,提高了模型的泛化性能。从预测结果来看,所提出的算法确实能够满足在线预测的需求,并且具有比离线模型更好的预测效果。