随着锂离子电池在动力、消费、储能三大方面展现出越来越重要的作用,其健康状态（State Of Health,SOH）估计也越来越受到人们的关注。一个准确的SOH估计对于电池维护、电动汽车续航能力评估、电池组内单体均衡等方面有着重要的意义。为了获取准确的锂离子电池SOH估计,本文做出了以下工作。首先,本文搭建了电池退化实验平台,在室温和恒温条件下采集了多颗电池的退化数据,与公开数据集一起构了3个数据集。这3个数据集分别存在昼夜温差造成的容量剧烈波动现象、恒温下的容量均匀退化现象以及容量再生现象,因此可以验证SOH估计方法在多种条件下的估计效果。其次,针对循环次数不宜作为模型输入的问题,基于恒流充电曲线提取了两个特征,其中一个特征使用到了动态时间规整算法。这两个特征不仅只需利用到恒流充电阶段,而且提取简单,易扩展,可以避免特征选取时的人为主观性。随后基于这两个特征,在多个核函数上对比了高斯过程回归用于SOH估计的效果,选取了点乘平方核用于高斯过程回归并在验证了SOH估计效果:在多数电池上相对误差小于2%。最后,针对传统核函数确定过程复杂,在低训练阈值下SOH估计效果差的问题,采用基础内核与深度内核学习相结合的方法,利用神经网络的强大拟合能力自动学习核函数。随后的SOH估计效果说明深度内核学习与高斯过程回归的结合方法不仅在高训练阈值时（50%）拥有与传统高斯过程回归接近的SOH估计效果,而且在低训练阈值时（25%）具有更强的外推估计SOH的能力:均方跟误差小于0.025。本文采集了恒温和室温下的锂离子电池退化数据,随后提取了一个基于动态时间规整的特征,最后采用高斯过程回归与深度内核学习相结合的方法进行了SOH估计。相比于固定核的高斯过程回归方法,该方法在低训练阈值下取得了更好的SOH估计效果。