锂离子电池现已被广泛用于各个领域,但锂离子电池复杂的电化学系统特性和受环境因素的影响,随着使用时长增加其使用寿命会缩短,性能大幅度降低,会间接导致电气设备故障或发生安全事故。对锂离子电池进行精确的剩余使用寿命（remaining useful life,RUL）预测有利于实现电池的健康管理和保障供电单元的稳定性。本文针对锂离子电池健康因子提取及剩余寿命预测主要完成以下工作内容:1.考虑锂离子电池的充放电循环过程,从中提取出能表征电池健康状态的直接健康因子和间接健康因子。对锂离子电池健康因子提取和RUL预测方法的研究现状进行了总结分析,在分析锂离子电池的结构和充放电原理的基础上,对锂离子电池劣化的主要内因和外因进行了深入分析,并从NASA电池实验数据集中提取了能表征电池健康状态的容量、内阻直接健康因子和充电电压电流、放电电压电流、充放电温度间接健康因子。2.针对便携式电子产品中锂离子电池容量直接健康因子变化具有时间序列特征,构建改进粒子群算法（improved particle swarm optimization,IPSO）优化门控循环单元（gated recurrent unit,GRU）方法来提高锂离子电池RUL预测的精确性。为解决GRU方法参数难确定的问题,将改进后的粒子群算法用于GRU参数自动寻优,建立了基于电池容量直接健康因子的IPSO-GRU预测方法,并基于NASA实验数据集对IPSO-GRU方法进行验证,通过与单一GRU方法比较,仿真预测结果表明所建立的IPSO-GRU方法提高了锂离子电池RUL预测精度。3.大型储能装置系统中锂离子电池工况复杂多变,电池容量或内阻直接健康因子在线测量困难,因此提出一种RUL间接预测方法。基于锂离子电池劣化特性,选取了放电截止电压时间、恒流放电时间以及放电峰值温度时间作为间接健康因子,并通过灰色关联法验证所提间接健康因子的可行性,构建的混沌差分鲸鱼优化算法（chaos differential whale optimization algorithm,CDWOA）克服了WOA算法的缺陷,并能为长短期记忆（long short term memory,LSTM）神经网络方法提供最优参数,建立了基于间接健康因子的CDWOA-LSTM预测方法,利用NASA和CALCE电池实验数据集验证了CDWOA-LSTM方法具有较高预测精度和更小的误差。