锂离子电池是使用最为广泛的供能和储能的二次电池,其应用涵盖了工业设备、新能源汽车和生活电子产品等领域。在应用锂离子电池的各类系统中,电池管理系统是其中很重要的一环。锂离子电池的健康状态（State of Health,SOH）估计与剩余寿命（Remaining Useful Life,RUL）预测是电池管理系统里的关键功能,对其进行研究具有重大意义。基于数据驱动的研究方法效果良好,但电池的直接健康因子在线提取困难,故本文致力于研究间接的在线健康状态估计与剩余寿命预测方法。为了提取间接的健康特征,本文采用了两种特征提取方法。提取了恒流充电时间这一健康因子,并用Spearman秩相关系数证明了其有效性。为了更好地表示时间序列的隐含信息,使用格拉姆角场（Gramian Angular Field,GAF）将其转变为二维数据。针对人工特征提取需要经验的问题,使用卷积神经网络（Convolutional Neural Network,CNN）自动提取特征。建立了基于GAF-CNN的特征提取方法,其输入是充电电压片段。对比传统神经网络,确定性循环跳跃储备池网络（Simple Deterministically Constructed Cycle Reservoirs with Regular Jumps,CRJ）具有训练简单、精度高和回声特性的优点,故可将其用于SOH估计。采用算术优化算法（Arithmetic Optimization Algorithm,AOA）优化CRJ的参数,解决了CRJ参数难以选取的问题。一些时间序列预测方法存在输出值间无时序依赖和准确性低的问题,而序列到序列（Sequence to Sequence,Seq2Seq）模型的预测输出具有时序性和短期预测准确性高的优点,可用于实现RUL的短期预测。首先,使用Seq2Seq预测恒流充电时间的循环后期的序列,并用CRJ建立恒流充电时间与容量的关系模型,再将预测好的循环后期健康因子序列输入到建立好的关系模型中进行容量预测,进而求出RUL。其中,关系模型就是SOH估算模型,是寿命预测的基础,其输入为预测的恒流充电时间。本文用提取的两种健康特征输入到AOA-CRJ模型中进行SOH的估计。与多种方法对比后,结果表明,AOA-CRJ具有最优的估计精度、稳定性和泛化能力。与基于CNN和只用充电电压片段做特征的多种方法进行对比,结果证明了GAF-CNN提取的特征的有效性。研究了不同循环长度的RUL预测,分为80和50次循环后的预测。研究了核极限学习机（Kernel Extreme Learning Machine,KELM）的参数组合、CRJ的泄漏率和神经网络的随机性对预测的影响。50次循环后的B6电池RUL预测中,以1.4Ah为失效阈值,CRJ的误差只有1。结果表明,Seq2Seq预测的健康因子效果好,CRJ具有最优的综合性能并且不存在神经网络的随机性的困扰,且KELM和CRJ存在最佳的参数。该论文有图35幅,表18个,参考文献89篇。