锂离子电池的蓬勃发展与应用对于传统能源紧张和环境污染问题的缓解起到了巨大的推动作用。基于荷电状态（SOC）、健康状态（SOH）估计的电池管理系统（BMS）技术的不断完善,有利于发挥锂离子电池的最佳性能和提高储能系统的可靠性。鉴于此,论文以锂离子电池为研究对象,分析等效电路模型参数和可监测数据在电池整个寿命周期内的特性变化,重点研究电池的SOH估计方法,具体研究内容如下:（1）阐述锂离子电池的基本结构和原理,搭建电池实验平台,设计并进行容量测试实验和循环寿命实验。为验证所提方法的通用性,引入两种不同类型电池的开源数据。此外,对影响锂离子电池容量衰退的因素进行分析和研究。（2）为更加全面地分析电池的退化现象,提出一种基于等效电路模型参数和充电电压曲线分析的健康因子提取方法。采用递推最小二乘法辨识Thevenin模型参数,选择SOC为0.8时的欧姆内阻作为电池在当前老化状态下的欧姆内阻,并将其作为一个能够描述电池性能退化状态的健康因子（HI）。同时,为了更全面反映电池的退化过程,从恒流充电过程的电压曲线中提取3个健康因子,分别为电池的充电容量、充电能量以及初始充电电压位置与充电截止电压位置之间的距离。另外,采用灰色关联分析、Pearson和Spearman系数分析4个HI与容量之间的相关性。（3）阐述支持向量回归（SVR）和缎蓝园丁鸟优化（SBO）算法的原理,并针对SBO算法存在收敛精度低的问题,采用惯性权重、柯西变异、高斯变异和贪婪选择策略对SBO算法进行改进,提出一种改进的缎蓝园丁鸟优化（ISBO）算法,并利用6种标准测试函数验证ISBO算法对于单模态函数、多模态函数、低维空间和高维空间的可行性和有效性。（4）利用提出的ISBO算法对SVR模型参数进行寻优,构建一种基于ISBO-SVR模型的锂离子电池SOH预测方法。对所提方法在三种不同电极材料和放电环境的电池数据下的预测结果进行分析,结果表明,论文提出的健康因子和ISBO-SVR模型能够有效提高锂离子电池SOH估计精度,且对不同类型和放电环境的电池具有很好的适应性和通用性。通过对测量电压添加噪声,验证了论文提出的健康因子提取方法具有较强的抗干扰能力。对不同健康因子、超参数优化方法和机器学习方法下的SOH估计结果进行分析,证明了论文提出的健康因子在分析电池退化现象方面的有效性,以及ISBO-SVR方法在电池SOH估计方面的准确性。