锂离子电池作为电动汽车的核心部件,是新能源汽车的重点研究领域。电池的健康状态（State-of-health,SOH）反映了电池的老化程度,电池的荷电状态（State-of-charge,SOC）反映了电池的剩余电量,准确的预测电池的SOH和SOC是保证电池使用可靠性的前提。电池SOH和SOC预测研究最关键的问题是提高SOH和SOC的预测精度并实现实时在线预测。本文采用优化的神经网络方法实现电池SOH和SOC的在线高精度预测。首先预处理了锂离子电池循环充放电实验的实验数据。分析了电池全寿命周期的实验数据,挖掘了平均温度等八个健康因子与电池SOH之间的相关性。为减小模型误差,采用一次指数平滑法平滑处理了电池SOH数据,采用小波阈值降噪法去噪处理了电池的谷底电压数据,采用基于局部离群因子的数据异常点检测和基于三次样条插值的数据异常点修复方法剔除了电池的平均温度等数据的异常点。采用主元分析方法去除了八个健康因子间的冗余信息和相关性,选取三个主元作为后续神经网络的输入量。然后建立并验证了锂离子电池的SOH预测模型。建立和验证了电池SOH预测的耦合环NARX神经网络模型,证明了改进的NARX网络对电池SOH有良好的预测效果。采用贝叶斯正则化算法优化了NARX神经网络模型并验证了优化模型的预测精度,证明了贝叶斯正则化算法可以提高模型预测精度。接着采用粒子群算法优化了NARX神经网络模型并验证了优化模型的预测能力,证明了粒子群算法可以提高模型的预测精度及改善模型的泛化能力。对比了两次优化后的NARX神经网络和Elman网络、RBF网络的预测误差,验证了优化的NARX神经网络对电池SOH的预测效果最好。接着建立并验证了锂离子电池的SOC预测模型。建立及验证了电池SOC预测的BP神经网络模型。采用Levenberg-Marquardt算法优化了BP神经网络模型并验证了优化模型的预测精度,证明了Levenberg-Marquardt算法能够降低模型预测误差及加快神经网络收敛速度。然后采用遗传算法优化了BP神经网络模型并验证了优化模型的预测能力,证明了遗传算法可以提高模型的泛化能力。对比了优化后的BP神经网络和Elman网络、RBF网络的预测误差,验证了优化的BP神经网络对电池SOC的预测精度最高。最后开发了锂离子电池SOH和SOC的预测系统。利用优化的NARX神经网络和优化的BP神经网络算法,设计了电池状态预测系统的监测数据显示、电池状态预测、电池异常警报三个功能单元的程序框图和显示界面,采用锂离子电池实验数据测试了预测系统的功能,验证了电池状态预测系统可以实现电池参数、SOH、SOC的实时显示和异常状态的警报提示。