发展电动汽车是保障能源安全和发展低碳经济的重要途径,也是我国实现自主创新与科技跨越的重大战略需求。拥有高能量密度、低自放电率和长寿命的锂离子电池是电动车辆的主要储能单元,其性能直接影响了车辆的动力性和安全性。为了确保锂离子电池在复杂车辆行驶工况下的高效可靠运行,需要电池管理系统对其进行管理。锂离子电池是复杂的电化学系统,其内部状态具有时变性和不可观测性。此外,电池在使用过程中性能将不断衰减,将给车辆的安全性带来隐患。针对实际应用需求,本文以锂离子电池为研究对象,在高精度电化学-热耦合机理建模、非拆解式参数辨识和电池寿命预测等方面开展了大量工作,主要研究内容如下:（1）电池实验测试平台与仿真系统搭建。通过搭建电池测试平台,对多种电化学体系的电池进行了特性测试,为研究中的模型与算法验证提供了数据支持;通过构建仿真系统,为数学建模与代码调试提供了软件支持,为模型与算法的运行提供了硬件支撑。（2）高精度电化学-热耦合建模研究。从全阶伪二维电化学机理模型（P2D模型）出发,通过数学重构获得了兼顾计算效率与精度的P2D重构模型。整个重构过程没有引入物理假设,因此P2D重构模型相较于简化机理模型拥有更高的精度。同时,为了进一步提升电化学模型在不同温度下的适用性,开展了电化学模型与热模型的耦合建模研究,最终提出了在多种工况和温度下具有高精度和低计算复杂度的非简化P2D-热耦合模型。（3）非拆解式模型参数辨识方法研究。参数的准确性决定了模型的准确性。针对P2D-热耦合模型这一非线性程度高且参数众多的复杂系统,通过参数敏感度分析明确了待辨识参数及其最优辨识工况,提升了辨识效率;基于深度学习生成了合理的参数初值,避免了算法发散;结合遗传算法与滤波算法对敏感参数进行辨识,提升了辨识的精度。（4）不同复杂度电化学-热耦合模型对比研究。面对不同的使用工况与硬件条件,简化模型与非简化重构模型各具优势。通过系统地比较不同复杂度电化学-热耦合模型,提出了模型通用性这一模型性能评价指标,即模型在使用同一套参数的条件下,在不同工况、不同温度下的预测能力;以电池的荷电状态（SOC）估计为例,在台式机与嵌入式系统开展了不同复杂度机理模型的SOC估计研究,从计算精度和计算速度上验证了电化学-热耦合模型在电池管理系统中应用的可行性。（5）机理与数据驱动融合的电池寿命预测研究。提出了一种将电化学机理模型与深度学习相结合的电池寿命预测方法。基于电化学模型和电压测量曲线,提取了融合电池老化机理与数据信息的健康特征;通过数据增强技术,提升了深度学习算法的训练效果;基于健康特征与聚类算法,将电池老化数据依据老化行为进行了分类;基于序列-序列式深度神经网络,建立了非迭代式的电池容量衰减轨迹预测算法。所提出的预测算法可在多种老化工况下实现电池老化的早期预测。