锂离子电池作为主要供能元件被广泛应用于电动汽车、军用设备、航空航天、发电站等领域。然而,电池在循环使用过程中,其性能逐渐退化,使得电池寿命缩短甚至出现安全隐患,间接导致用电设备的性能下降或故障。准确对其进行健康状态(State of Health,SOH)评估及剩余使用寿命(Remaning Useful Life,RUL)预测具有重要意义。本文以锂离子电池为研究对象,重点开展锂离子电池健康状态评估以及剩余使用寿命预测方法的研究,具体研究内容包括:1)详细分析了锂离子电池的结构及工作原理,阐述了锂电池的几个主要性能指标;通过自主实验平台进行了锂电池性能测试及充放电循环实验,研究了放电倍率、环境温度对电池性能的影响、电池老化对实际容量的影响。2)基于单一数据驱动模型的锂电池健康状态估计方法的泛化性能较差,实际应用中对电池健康状态的估计精度不高,并且估计结果缺少不确定性表达能力。针对上述问题,本文研究了一种基于改进的相关向量机和一阶偏相关系数加权的动态集成电池健康状态在线估计方法。首先,选取等压降放电时间作为间接健康因子,电池容量作为直接健康因子,分别作为本文模型的输入和输出。模型采用集成模型替代单一模型以提高模型的泛化能力,集成模型利用小波核相关向量机作为子模型,并且利用蝙蝠优化算法对小波核相关向量机核参数进行优化,以提高子模型的估计精度,然后利用在线监测数据不断更新子模型权重,动态集成子模型的输出,进一步提高健康状态在线估计的精度。最后基于NASA电池数据验证本文方法的正确性。结果表明,相较基于单一数据驱动模型的方法,本文研究的估计方法准确有效,精度更高,泛化能力更强,并且估计结果具有概率式输出。3)针对传统RVM模型在长期预测中效果不好的问题,本文研究了一种改进的蝙蝠算法优化的可在线学习RVM电池剩余使用寿命预测模型。首先,采用相空间重构技术处理电池历史容量数据,利用基于均熵的方法来确定最优嵌入维,构造模型的训练数据集;其次,提出一种可在线学习相关向量机模型对锂电池RUL进行在线预测,该模型能够利用在线预测结果进行自动更新,以提高模型的长期预测能力,更新模型的核参数由改进的蝙蝠算法自动寻优得出。最后基于NASA实验数据和自主实验数据,验证了本方法的正确性。实验结果表明,该方法在长期预测中具有更高的预测精度。