目前,锂离子电池因为自放电率低、质量轻、比能量大,被广泛应用于储能和动力系统中。健康状态（State of Health,SOH）估算是电池管理系统的重要功能,但由于电池老化过程内部反应复杂,具有非线性强耦合多变特性,且SOH不能直接测量,时间尺度大,故准确估算SOH难度较大,成为了电池领域内的研究热点。当前,在众多的SOH的估算方法中,神经网络具有较高精度成为了被广泛使用的SOH估算方法之一。其中反向传播神经网络在解决非线性问题中,由于收敛性速度快,精度高等表现受到广泛关注,但存在容易陷入局部最优情况且存在过拟合现象,这严重影响了SOH估算精度。本文提出了改进麻雀搜索算法和反向传播神经网络相结合的方法（ISSA-BPNN）,克服了BPNN的缺点,并加快了算法收敛。研究工作首先是基于NASA锂离子电池随机使用数据集进行分析,结合相关研究构建了三组健康因子,为了减缓数据间的冗余性,使用随机森林自动将健康因子与SOH估算的重要性进行排序,采用灰色关联分析法定量分析健康因子与SOH的关联度,最终使用ISSA-BPNN方法进行了SOH估算,与传统BPNN相比,估算精度有了明显提升。随后,针对一批18650钴酸锂电池开展了加速老化实验。为了提升算法的实用性且解决人工选取健康因子的主观性问题,提出了一种新型基于SAE-ISSA-BPNN的SOH估算方法,基于恒流充电段电压采用切片法进行数据增强,然后经过稀疏自动编码器（Sparse Auto-Encoder,SAE）自动筛选健康因子,最终基于自行开展的老化数据集验证了SAE-ISSA-BPNN的SOH估算方法精度,整体精度较高,离线训练误差可控制在2%以内,模拟在线估算误差能稳定在5%以内。