电动汽车近年来在汽车市场的占有量呈爆发式增长,电动汽车保有量的增加对其动力电池的循环寿命和可靠性提出了更高的要求。定期对电池进行健康状态（State Of Health,SOH）估计和异常工况导致的容量快速衰减问题进行研究具有重要意义。在SOH估计方面,基于模型的估计方法涉及到参数辨识相对过于复杂,在实车应用方面存在困难;在异常工况导致的容量衰减及故障诊断方面,涉及到化学机理的非原位分析需要对电池进行拆解并借助工具观察,也无法在实车应用。针对以上问题,本文以两种圆柱锂离子电池为研究对象进行实验,通过充电过程中的电压和容量变化获取容量增量曲线和微分电压曲线,实现对电池健康状态的估计和异常工况下的电池容量异常衰减研究。主要研究内容如下。对电池进行循环老化实验和分析,获取容量增量曲线和微分电压曲线并研究不同因素对容量增量曲线的影响,分析两种曲线随电池循环次数的变化规律,结合老化机理对电池的容量衰减模式进行辨识。使用高斯函数对不同循环次数下的容量增量曲线不同波峰进行拟合,通过拟合函数的参数随SOH变化趋势来提取表征电池老化的特征参数,采用皮尔逊相关系数法对特征参数进行相关性分析,确定SOH估计模型的输入参数。以电池实际SOH作为估计模型的目标输出,采用多元线性回归、随机森林方法和BP（Back Propagation）神经网络对电池SOH进行估计和精度对比验证,结果证明多种方法均能取得很好的估计效果,其中BP神经网络的整体估计效果最好,验证了该特征参数的有效性。对电池进行异常工况实验和结果分析,异常工况实验包括过充电过放电、大倍率充电以及低温充放电。对过充过放和大倍率充电实验电池与正常老化电池进行容量衰减对比和容量增量曲线对比,通过曲线波峰的变化特性对过充过放和大倍率充电工况进行基本辨识;对低温充放电下的电池进行微分电压分析,发现曲线中出现的异常波峰可表征电池在低温下的析锂现象。通过以上研究,能够利用电池充放电过程中电压和容量的变化情况获取容量增量曲线和微分电压曲线,进而对电池进行SOH的准确估计和电池异常工况的基本辨识,对电池异常容量衰减进行检测和诊断,改善电池使用寿命。