随着电动汽车的需求量逐渐增加,锂离子电池作为电动汽车的重要动力源,其电池管理系统（Battery Management System,BMS）成为了当前国内外的研究热点。BMS中的健康状态（State of Health,SOH）估计和剩余可用寿命（Remaining Useful Life,RUL）预测能够为电池的检测和诊断提供依据,以延长电池的使用寿命。为了得到电池SOH估计与RUL预测的精确结果,本文做了下列工作。第一,介绍了电动汽车和锂离子电池的发展历程,阐述了电池SOH估计和RUL预测的国内外研究现状。第二,对锰酸锂电池进行充放电循环实验。记录电池容量与充放电循环次数的关系并对锰酸锂电池的老化特性进行分析,并且对马里兰大学高级生命周期工程中心（Center for Advanced Life Cycle Engineering,CALCE）的钴酸锂电池数据进行了记录处理与老化特性的分析。在上述两种电池数据中,提取用于SOH估计的健康指标（Health Indicator,HI）。充放电时间、充放电电流和电池的容量等因素都会对电池的性能产生影响。电池容量通常难以直接测量得到,且电池放电电流由具体工况决定,具有随机性,因此本文从充电阶段提取了易测量的充电时间、充电电流曲线面积作为HI。然后考虑到电池容量与SOH存在线性关系,利用Spearman相关系数和Pearson相关系数分析了HI与电池容量的相关程度。第三,本文提出了基于鲸鱼优化-相关向量机（Whale Optimization Algorithm-Relevance Vector Machine,WOA-RVM）的SOH估计方法。在传统RVM基础上,建立了多核核函数模型,结合不同核函数的优点,提高估计精度;同时将HI进行融合,以避免不同HI存在耦合关系影响估计精度。智能优化算法能够动态对权重进行寻优,以提高估计的精度。因此本章采用智能优化算法中的WOA优化核函数的权值以及不同HI的系数,仿真结果表明本文提出的方法提高了SOH的估计精度。第四,为了进行电池RUL预测,建立了电池老化模型,考虑到容量的自恢复现象,容量曲线存在局部波动,难以使用单一方法精确预测RUL,使用经验模态分解方法将容量衰减数据分为了整体趋势项以及细节波动项,使用基于粒子滤波（Particle Filter,PF）方法进行趋势项的预测。其中,针对粒子退化现象,在PF中嵌入了蚁狮优化算法（Ant Lion Optimization,ALO）这一智能优化算法,借助上一章SOH的估计信息,将粒子移动至最大似然区域,提高预测能力;之后使用自回归移动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）进行细节项的预测,二者相加,实现多层次RUL的预测。仿真结果证明了本文提出的融合算法结合了PF与ARIMA的优点,既能够较为准确地实现RUL的预测,又在预测的过程中合理的考虑了容量局部波动的影响。