电动汽车的锂离子电池退役后在储能系统中应用广泛。但考虑到退役电池本身已经存在了一定程度的老化,精确的容量估算及剩余寿命预测方法是确保退役电池梯次利用过程中安全使用的重要方法。本文以退役磷酸铁锂电池为研究对象,在宽温度范围下进行进一步加速老化实验,基于实验各个循环电池充电曲线特征变化,提出了多特征输入的电池容量估算方法以及间接剩余寿命预测方法,本文主要研究内容如下:（1）宽温度范围内电池加速老化实验前的预实验研究。为了确保加速老化实验方案合理有效,分析了不同充电倍率时电池恒流充电曲线的特征、对比了相同充电倍率下不同放电策略的充放电容量,建立了时间成本较低、充电曲线包含信息较多的充放电策略。为了研究老化及温度对电池性能的影响,分别进行了恒温条件下的加速老化实验以及不同温度下的充放电测试与电化学阻抗谱测试。为后续宽温度范围内充电曲线变化的分析与特征参数选择奠定了基础。（2）为了建立多特征输入的退役磷酸铁锂电池容量估算模型,首先进行了温度波动较大环境下不同放电倍率的加速老化实验,依据皮尔逊相关系数,分析了充电阶段曲线特征与电池老化过程中容量变化的相关性。重点分析了恒流阶段3.4 V至3.5 V内充电时间变化与温度变化的相关性以及其与电池老化机理的相关性。结合K-CV方法进行参数寻优的SVR算法,以提取的四组充电阶段特征为输入,放电容量为输出,实现了对电池不同循环处放电容量的估算。在BPNN算法的对比下,用四组不同放电倍率电池的实验数据验证了该方法的精度与适用性。（3）为了提高温度波动较大时电池的剩余寿命预测精度,提取了恒流充电阶段3.4 V至3.5 V充电时间变化作特征参数,通过经验模态分解方法将特征参数分解并重构为趋势项与波动项,使用GM（1,1）模型以及长短期记忆神经网络算法分别预测趋势项与波动项。该方法在不同电池以及循环的不同位置处进行预测时,均保持了良好的精度。且经对比,该方法综合预测效果及鲁棒性优于差分自回归移动平均模型方法以及Elman神经网络方法。