随着人们对系统可靠性的要求不断提高,故障预测技术具有越来越高的实用价值。故障预测是预先判断未来有可能出现的故障或者故障演变的趋势,为消除潜在的安全隐患,降低人员伤亡和财产损失提供技术支持。故障预测主要包括故障的早期端倪检测和系统、元件等的剩余寿命预测。锂离子电池是一种广泛使用的储能和供能元件,对其剩余使用寿命进行准确估计,在电池失效之前及时更换,可以有效的保障系统正常运行,避免重大事故发生。本文基于锂离子电池双指数容量退化模型,研究了锂离子电池剩余使用寿命的融合预测算法,提高了预测效果。本文首先简单分析了电池容量衰减的主要原因,讨论了电池的退化模型,将电池的剩余寿命预测转化为电池容量预测。然后将无迹卡尔曼滤波器应用于锂离子电池的寿命预测,在此基础上,提出用数据驱动方法预测残差校正项的融合思路。第一种融合算法是用BP神经网络对未来残差趋势进行迭代预测,恢复滤波器的预测更新功能。通过锂离子电池容量数据集的仿真实验,引入四个评价指标,验证了这一融合思路的可行性。为了进一步改善预测效果,提出了第二种融合预测算法,用K-均值聚类算法调整径向基神经网络的基函数中心,优化后的网络来预测滤波器残差值,更新系统状态和协方差矩阵,修正无迹卡尔曼滤波器的状态估计。为了提高融合算法预测效果和对不同电池个体的适应性,在第一个融合算法基础上结合经验模态分解算法对历史残差序列进行重构,提高残差数据集的可靠性实现对残差量的精确预测。该算法的可行性和有效性通过两种不同电池数据集的仿真实验得到了验证。