发展新能源汽车是减少环境污染、推动绿色发展的有效手段,也是改善能源短缺和环境污染的重要途径。受新能源政策利好因素的影响,近年来商、民用新能源汽车大规模上市。而新能源汽车锂离子电池组的平均寿命约为5年,未来几年将会有大量的汽车动力电池组面临退役。研究发现,车用电池组退役后仍然具有80%左右的额定容量,若对其进行梯次再利用处理,亦可安全地应用于如储能、家用电器或其他领域,梯次利用市场潜能巨大。由于退役电池的“木桶效应”,往往会在使用中带引发严重的安全问题,退役锂离子动力电池的健康状态估计是制约退役电池顺利开展梯次利用的关键问题。本文以退役电池的健康状态估计以及电池的一致性分选再利用为研究目标,主要的工作和创新如下:首先,本文充分回顾了现有电池健康状态估计及分选成组的方法,针对退役锂离子动力电池的不一致性问题,采用退役磷酸铁锂电池单体为研究对象,搭建电池测试平台,设计退役电池老化实验,分析退役电池老化过程中不同参数的变化,为后续电池健康状态估计和电池分选研究提供实验数据基础。其次,提取退役锂离子电池的充电曲线特征参数,通过对实验数据的分析,发现电池的某些特征参数和容量的衰减具有较大相关性,提出一种基于容量增量曲线和充电曲线特征参数提取的电池健康状态估计方法,利用小波去噪对所提取的特征参数进行去噪处理,并通过决策树模型和贝叶斯改进的决策树模型,建立了电池的特征参数与电池健康状态的关系,实现电池健康状态的估计。再次,针对决策树模型易出现过拟合导致适应性不够良好的问题,提出了一种基于集成学习的退役锂离子电池健康状态估计模型,选择多个决策树模型进行模型融合,并采用基于提升算法（Boosting）改进的XGBoost模型,利用多个弱学习机决策树的串行迭代,组合成XGBoost强学习机,提高了健康状态估计模型的精度和适应性。最后,为了解决退役电池组中各个单体一致性较差,难以直接进行重组再利用的问题,采用基于遗传模拟退火的模糊C均值（Fuzzy C-Means,FCM）聚类算法对退役电池进行分选,以电池测试实验中的75只退役磷酸铁锂电池单体作为分选的数据来源,选取多种特征参数并进行降维处理,将主成分作为有效性指标输入到分选模型中并确定电池分选类别。仿真及实验结果表明,基于遗传模拟退火的模糊C均值聚类算法的退役电池分选模型具有良好的分选准确率,电池单体在经过多次循环后仍有较好的一致性。本文研究为退役锂动力电池的再利用提供了理论支持,对解决新能源行业电池系统健康评估与预测、梯次利用、分选重组等重要工程问题具有一定的积极意义。