锂离子电池的能力密度高、使用寿命长、价格低廉且对环境无污染,不仅大量应用于手机、电脑等电子产品中,也应用于随着人类工业化程度的提高而发展起来的电动汽车中。锂离子电池的剩余使用寿命（Remain Using Life,RUL）对电动汽车的使用周期和安全性能具有重要影响,这也是驾驶员最为关注的性能之一。本文针对于电池RUL预测的实时性和精确性,从电池外特性数据的角度出发,提出了基于神经网络的集成学习方法来预测电池RUL,具体展开如下:（1）健康因子的提取与验证。考虑到一般情况下电池容量难以准确测量,为了便于获取相应参数,从电池数据中提取出可表征电池容量的健康因子。另外,为了增强模型的鲁棒性,本文分别以NASA数据集和实车数据集为研究对象,并对从中提取出的健康因子采用相关性分析法验证其与电池容量之间的相关性。（2）基于神经网络的电池RUL预测。为了能够实时准确地预测电池RUL,通过比较不同神经网络的特点及应用场景,最终选择径向基（Radial Basis Function,RBF）神经网络对电池的RUL进行预测。随后,在分析RBF神经网络的原理和结构的基础上,根据其隐藏层数据中心的确定方法,最终采用预测性能较好的两个子RBF神经网络作为基神经网络对电池RUL进行预测。（3）基于集成学习算法的电池RUL预测。为了能够使模型在不同工况以及整个预测阶段都能够表现出较好的预测性能,本文在基于单个RBF神经网络预测结果的基础上,通过分析和比较目前集成学习算法类型的特点后选择Ada Boost算法来将两个子神经网络的预测结果进行集成,使得模型在整个预测阶段都表现出更好的预测性能。最终的预测结果显示,针对于NASA数据集和实车工况下的数据集,基于神经网络的集成学习方法预测电池RUL的误差都可保持在4%以内,证实本文所采用的模型具有较好的预测性能和泛化性能。