电气化交通是目前缓解全球变暖和环境污染的有效途径,其储能系统是决定续驶里程和保证安全可靠运行的关键。锂离子电池以其优良的性能成为储能系统的关键部件。然而,锂离子电池在使用和存储过程中不可避免的会出现老化衰退,从而影响其使用性能和安全。为了能够有效地对电池系统进行预测性维护,健康状态估计和剩余寿命预测至关重要。本文研究数据驱动的健康预测问题中健康因子提取和数据驱动算法两大关键科学问题和技术难题。主要的研究内容如下:（1）电池老化实验和老化分析。搭建实验平台,设计并开展电池单体和电池组老化实验,构建电池系统老化实验数据集,并分析不同老化条件对电池老化速率的影响。（2）基于特征筛选和机器学习的电池健康状态估计研究。提出基于融合相关性分析和序列搜索的特征子集筛选方法,并基于健康状态估计的精度和特征维度与常规方法对比。对比不同机器学习算法的估计精度和计算需求。结果表明,基于所提出的子集筛选方法和高斯过程回归相结合的方法具有最优的精度和最低计算需求。（3）提出电池通用健康因子提取方法和改进高斯过程回归算法。利用局部充放电数据,提取与电池容量有强相关性的健康因子。针对串联电池组提出进一步的健康因子生成策略,充分考虑电池组容量衰减和单体容量不一致性,并提出双时间尺度滤波法将该策略拓宽到动态工况,最后提出改进的核函数提高估计精度。（4）基于模型迁移和融合的电池组健康状态估计。利用多个子神经网络集成的方法提高自训练模型的精度和可靠性。提出基于迁移模型和自训练模型融合的方式提高模型扩展应用的精度和可靠性。验证了在不同结构、不同老化阶段和不同放电模式下的模型适用性。（5）基于迁移学习的电池寿命预测。提出基于在线提取健康因子和迁移学习相结合的电池单体在线寿命预测,利用高斯过程回归和长短时记忆神经网络结合的算法提高预测精度。提出基于迁移单体信息到电池组的寿命预测方法,实现电池组整组和组内各单体未来容量变化的预测。