可充电水系锌离子电池因为其安全环保的电解质,对大规模储能技术具有广泛的吸引力。但这并不代表锌离子电池不存在安全隐患,电池剩余使用寿命（Remaining Useful Life,RUL）预测是保障其进一步安全使用的关键技术。随着机器学习的兴起,越来越多的研究开始用机器学习预测电池的RUL,但是准确地预测每一个电池RUL仍然是困难的事情,这是因为电池的退化过程很复杂,其内部的化学反应具有很大的随机性,从而每个电池的退化趋势都不相同。此外,电池RUL预测的研究都集中在锂离子电池领域,在锌离子电池领域还没有相关报道。本论文以锌离子电池RUL的准确预测为目标,围绕常规机器学习模型预测不够准确、泛化性能不好以及递归预测存在累积误差的问题开展了相关研究,着重对模型结构的改进和优化方法的研究进行了探讨。主要研究工作如下:（1）针对充放电数据一致性差的问题,研究了锌离子电池的制作工艺和数据采集的方法。通过多次的实验和研究,优化电池制作流程中的每一步工艺,改善手工制作电池一致性差的问题。然后尽可能地保持电池测试设施的一致,降低数据采集的差异。多批次电池的充放电数据表明,这些优化方法可以有效地改善一致性差的问题。（2）针对常规机器学习模型对锌离子电池RUL预测不够准确和泛化性不好的问题,提出了基于注意力机制的非对称编码-解码模型。启发于生物大脑具有非对称结构的现象,本文通过让编码器和解码器结构不一样,来构造一个非对称的神经网络模型。注意力机制的引入可以让编码-解码模型重点关注对预测有帮助的输入信息,dropout技术的应用可以提高模型的泛化性能。最后,用贝叶斯优化寻找这个计算昂贵的模型的近似最佳超参数。实验结果表明,改进的编码-解码模型可以更加准确地预测锌离子电池RUL,而且泛化性能比常规机器学习模型要好。（3）针对改进编码-解码模型存在累积误差的问题,提出了一个基于高斯过程回归和改进编码-解码模型的锌离子电池RUL融合预测方法。为了能让高斯过程回归能够准确地预测训练集附近的电池容量,本文设计了一个新的核函数。随后用Savitzky-Golay对训练集进行平滑处理,让高斯过程回归不受编码-解码模型输出噪声的影响,仍可以预测容量衰减趋势。最后,将两个模型的预测值的按照一组动态权值进行加权求和。实验结果表明,融合预测方法可以有效地降低累积误差。