锂离子电池作为储能系统的关键部分,连续充放电过程中,其性能会随着容量的降低和阻抗的增加而退化,这将导致设备和系统故障甚至灾难性损失。因此研究锂离子电池的退化状态,进而预测其健康状态（State of Health,SOH）以及剩余使用寿命（Remaining Useful Life,RUL）对系统的可靠性具有重要的意义。但是在实际应用中,表征锂离子电池退化状态的容量监测费时,因此,本文通过研究锂离子电池的退化状态,通过提取能反映容量退化的健康因子（Health Indicator,HI）,通过间接的数据驱动方法实现锂离子电池的SOH以及RUL的在线预测。针对锂离子电池容量不易测量,本文提出一种基于间接HI提取的方法,从锂离子电池退化过程中可监测的充放电过程的电压、温度信息中分析,提取能够表征锂离子电池退化的间接HI,并对HI进行Pearson和Spearman相关性分析;针对锂离子电池容量退化存在容量回升现象且容量难于测量,提出了一种结合完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）和支持向量机回归（Support Vector Machine,SVR）的锂离子电池SOH预测方法。首先,在放电过程中提取了一个可测量的HI,并使用Pearson和Spearman法分析HI与容量之间的相关性,然后利用CEEMDAN将HI进行分解,获得一系列相对平稳的分量,最后采用CEEMDAN分解后的分量作为SVR预测模型输入,容量作为输出,实现锂离子电池SOH预测,并使用NASA PCo E提供的锂离子电池退化数据集进行验证,并对实验结果进行分析,RMSE最小为0.0022。为了增强实验结果的解释性以及鲁棒性,本文采用基于概率理论的多核相关向量机（Multi-kernel Relevance Vector Machine,MKRVM）模型来预测锂离子电池的SOH与RUL,综合考虑核函数的全局性与局部性来对应解决容量退化过程中的趋势性以及波动性,提高MKRVM的预测能力,此外利用鲸鱼优化算法（Whale Optimization Algorithm,WOA）用来优化MKRVM模型的参数,最后基于实验数据对模型进行验证,实验结果表明本文所提的模型具有较高的准确度。