锂离子电池作为新能源产业中最为重要的一个供能环节,已经广泛地使用在各个领域。但锂离子电池作为储能器件,其自身内部存在复杂的电化学反应,随着电池的持续充放电,电池的容量会因为电池内部电化学反应的减弱而降低。在电动车市场中存在大量的锂离子电池,随之而来就是电池退役回收问题。及时预知电池的寿命,利于电池的维护、回收和更换,保障电动汽车安全可靠的运行。本文针对电池的剩余循环寿命（RUL,Remaining Useful Life）预测主要完成的内容包括以下几个内容:（1）分析锂离子电池的性能退化机理以及影响电池寿命退化的因素。进行锂离子电池充放电循环寿命实验,获取锂离子电池容量退化数据以及充放电过程数据以支持后续的寿命预测工作。（2）通过电池充放电循环寿命实验数据,在充放电过程中提取能够表征电池寿命退化的间接健康因子。主要从充电过程中选取,分别在恒流阶段、恒压阶段和静置阶段提取三个间接健康因子,利用Pearson和Spearman相关性分析法分析健康因子与容量之间的关系,验证间接健康因子的可行性。（3）搭建了核极限学习机（KELM,Kernel Extreme Learning Machine）算法,进行电池RUL预测。利用鲸鱼（WOA,Whale Optimization Algorithm）算法优化KELM算法的参数来提高RUL预测的准确性。并分别搭建了以RBF核函数为KELM算法核函数的WOA-RBF-KELM算法和以poly核函数为KELM算法核函数的WOA-poly-KELM算法,利用选取的健康因子进行验证,结果表明,所搭建的WOA-KELM算法可以准确的预测电池的RUL。（4）由于核函数的作用对于KELM算法十分重要,为了让KELM算法同时具有较强的学习能力和泛化能力,因此对其进行了改进。将具有较强局部性能的RBF核函数和具有较强全局性能的poly核函数进行了函数融合,并搭建WOA-MKELM算法。通过选取的健康因子进行验证,以及与ELM算法和单核WOA-KELM算法对比分析,结果表明,WOA-MKELM算法提高了预测精度,能够更为准确的预测电池的RUL。本文所搭建的WOA-MKELM算法,利用间接健康因子替代容量等直接健康因子进行RUL预测,对电池管理系统的应用和发展具有一定的参考价值。