锂离子电池在工作过程中会产生大量热量,若不能及时排出,必将引起整个动力电池组温度的迅速上升,从而影响电池工作性能,缩短使用寿命,严重时还会引起热失控等问题的发生。因此,需要设计简单、高效的电池热管理系统（BTMS）来及时耗散电池组内部所产生的热量,并控制电池组内部温升和温度差,使其始终处于最佳的工作温度区间内。本文基于金属泡沫,提出一种开孔泡沫铝和强制风冷相结合的新型锂离子电池热管理系统,利用数值仿真技术（CFD）对该热管理系统的热特性进行了数值研究,分析了不同关键参数对系统散热和能量损耗的影响,并针对泡沫铝热管理系统温度均匀性差的问题进行了优化和改进。此外,基于人工神经网络的方法,建立了泡沫铝热管理系统下的电池热模型,对比分析了不同神经网络建模技术在电池温度预测性能上的差异,并采用粒子群优化算法（PSO）对最佳神经网络模型的初始连接权值和阈值进行了寻优,以进一步提高所建立的电池热模型的预测性能和泛化能力。本文的主要研究工作如下:建立一个由8块锂离子软包电池和9片泡沫铝散热片所组成的电池模组三维热模型,重点分析了泡沫铝孔隙率和孔密度对电池模组散热特性和流体压降的影响,量化评价了不同泡沫铝热管理系统的综合散热性能。为改善泡沫铝热管理系统的温度均匀性,对冷却空气流向和电池模组布置方式进行了研究和分析,并针对开孔泡沫铝的形状尺寸进行了设计优化,提出了三种泡沫铝改进设计方案,结果表明,所有泡沫铝的改进方案均能使各电池单体的温差控制在5℃以内,但不同方案在系统总压降和总泵功率的花费上却存在区别。分别采用BP神经网络、RBF神经网络以及Elman神经网络建立了锂离子电池在泡沫铝热管理系统下的电池热模型,对比了不同神经网络电池热模型在温度预测性能和泛化性能上的差异,使用数值模型的方式获得了用于模型训练和测试的样本数据集。总体上,所建立的三种神经网络热模型均能较好的实现不同工况下的电池温度预测,并且Elman模型的综合性能最佳。结合PSO算法和Elman神经网络建立了一种混合PSO-Elman神经网络模型,并采用相同的测试工况进行模型预测性能测试。结果表明,与原始的Elman模型相比,混合PSO-Elman模型拥有更小的MSE和MAE值,可以实现更好的温度预测和泛化性能。