受到能源、环境等等各个不同要素的影响,大力研发新能源汽车已经成为国家的必然趋势。由于新能源汽车地大力研发,它的主要供能部分（锂离子动力电池）,同样得到了大量地研究。如何精准地测量锂离子动力电池的剩余电量对新能源汽车的安全行驶、及时补充电量等来说拥有非常重要的意义。深度学习对于复杂数据关系的逼近具有很好的效果,把它与锂电池超声检测结合起来,可以有效地计算电池的剩余电量。本文将锂离子动力电池作为试验的对象,在它不断地充电以及放电期间记载下实时电流、实时电压、当前电量等数据。与此同时,在锂电池充放电期间,对它做出超声检测,获取超声反馈数据。对这些数据进行分析后发现,超声反馈信号峰峰值与电量之间存在很强的关联性,并且电压电流也与电量息息相关。随后本文对于实验获得的超声数据做出研究:（1）对充电以及放电两个期间的数据分别建立BP（Back Propagation）神经网络进行学习,使用粒子群优化算法对网络的权重以及偏置赋予初始值,然后使用模型估算锂离子动力电池的电量。实验结果显示,对于充电过程,获得的模型预估锂离子动力电池电量的误差为1.7%;对于放电过程,获得的模型预估电池电量的误差为1.1%。（2）使用线性回归以及多项式回归的方法分别去拟合得到的超声数据,并用来估算锂离子动力电池电量。实验结果显示,对于充电过程,线性回归估算电池电量的误差为6.2%,多项式回归估算电池电量的误差为2.2%;对于放电过程,线性拟合估算电池电量的误差为1.5%,多项式回归估算电池电量的误差为1.3%。（3）本文对于充电以及放电期间的电压电流数据分别建立BP神经网络进行训练,然后使用模型估算锂离子动力电池的电量。实验结果显示,对于充电过程,获得的的模型估算锂电池电量的误差为3.5%;对于放电过程,获得的模型估算锂电池电量的误差为3.4%。最后,本文对上述所有方法进行综合对比与分析,发现使用BP神经网络对超声数据进行训练得到的模型,估算锂电池电量时误差最小,效果最好。随后对超声信号数据做出分析,将存在的异常进行处理后,重新训练BP神经网络。在网络模型训练之前同样也使用粒子群优化算法给网络的权重以及偏置赋予初始值。实验结果表明,对于充电过程,最终的网络模型估算锂电池电量的误差仅为1%,而对于放电过程,最终的网络模型估算锂电池电量的误差甚至低于1%。本文基于锂电池超声检测以及神经网络提出了一种新的电池剩余电量估算方法,能精准地测量出剩余电量大小,给锂离子动力电池的容量估算提供了一种新的思路,在电池寿命及质量评估等方面将发挥一定的作用。