锂电池作为一种复杂的电化学系统,凭借其较高的能量重量比与功率重量比在电动汽车领域得到了广泛的应用。如果能够合理预测锂电池剩余使用寿命（Remaining Useful Life,RUL）,将有利于及时对电池的健康状况进行评估从而保障用户的安全。目前在电池系统中,容量退化预测已经得到了广泛的研究。主要有基于数学模型和数据驱动的两类方法。本文基于数据驱动的方法对锂电池RUL进行预测。针对传统LSTM无法根据数据级别进行特定模式更新的缺点,本文在传统LSTM中加入了层次划分单元以及多细胞单元,构造了一种LSTM的变体——多单元LSTM（Poly Cell LSTM,PCLSTM）,并基于锂电池数据集进行了实证分析。通过实验验证了PCLSTM在此任务下对比传统LSTM的优越性。此外,还讨论了锂电池RUL预测的近似概率模型,以度量模型的不确定性。通过对锂电池数据的分析,验证了所提预测方法的有效性。本文的主要的研究工作有:首先,使用传统的LSTM学习并预测锂电池容量序列,通过实证发现基于传统LSTM神经网络的模型在预测时初期表现较好,后期由于电池自充电的波动性特征而产生误差,模型无法根据数据级别进行特定的更新模式进行处理。其次,针对包括长短期记忆（LSTM）在内的大多数神经网络都不能根据重要程度以不同的更新模式处理输入数据的问题,本文构造了LSTM的一种变体（PCLSTM）。它增加了层次划分单元以及多细胞单元,模型通过层次划分单元来确定输入数据的重要程度,然后用多细胞单元根据数据层次更新细胞状态。通过实验也验证了在此任务下PCLSTM的优越性。最后,针对基本的神经网络无法有效进行不确定性建模的缺点,使用神经网络中的Dropout技术去逼近Bayesian神经网络,进一步得到锂电池剩余使用寿命的近似概率模型。实现了基于PCLSTM预测锂电池RUL的不确定性量化,为电池的维护提供理论依据。