电动汽车锂离子电池在高温、低温、快充等工作条件下,性能衰退会特别的严重,准确地预测电池健康状态（State of Health,SOH）对电池储能系统的贡献很大,可以避免发生危险和延长电池的可使用寿命。本文通过锂离子电池寿命循环老化实验,采集充放电阶段的电池数据,绘制充放电曲线和容量增量曲线。基于充放电曲线和容量增量（Incremental Capacity,IC）曲线,挖掘反映电池老化规律的特征参数,并提取健康特征因子,建立数据驱动模型,对电池SOH进行估计研究。首先,从锂离子电池结构和原理的角度,剖析电池的参数和影响因素,对锂离子电池特性进行分析;通过锂离子电池寿命循环老化实验,采集充放电阶段的电池数据,获取电池充放电过程中的时间向量和容量增量变化,绘制充放电曲线和容量增量曲线。其次,本文基于充放电曲线和容量增量曲线,挖掘反映电池老化规律的特征参数,并根据电池老化实验数据提取与电池衰退相关的健康特征因子,运用灰色关联度（Grey Relational Analysis,GRA）和主成分分析（Principal Component Analysis,PCA）对电池的老化特征参数进行了分析,以解决健康因子冗余或者不足问题。然后,建立利用粒子群（Particle Swarm Optimization,PSO）算法优化径向基（Radial Basis Function,RBF）神经网络的电池健康状态估计方法,用实验得到的结果对提出的方法进行检验,并与单一Elman神经网络（Elman Neural Network,Elman NN）和RBF NN模型预测方法进行对比。结果表明,本文提出的方法能有效地预测电池SOH,最大误差小于2%,具有较好的稳定性和鲁棒性。最后,本文讨论了电池在寿命循环实验过程中,由于存在一定的时间间隔而导致的微小容量再生现象,并且这种现象对电池SOH的局部变化趋势有很大的影响,提出了一种基于PSO-RBF NN和长短期记忆神经网络（Long Short-Term Memory Neural Network,LSTM NN）融合算法的锂离子电池SOH估计算法。通过经验模态分解（Empirical Mode Decomposition,EMD）处理原始的电池健康状态序列,以获取三个本征模函数（Intrinsic Mode Functions,IMFs）以及一个余项（Residue）,将序列分解为高低频两部分,高频部分为三个本征模函数,低频部分为最后的余项。利用PSO-RBF NN预测高频部分,以Adam来优化参数的LSTM NN预测低频部分,将所有的预测部分相加来完成电池SOH的精确预测。根据对不同电池的预测结果分析,可以判断该方法对SOH预测的最大误差均能保持在±1.5%以内,证明了提出的融合算法不仅能考虑复杂变化对健康状态的影响,而且能保证较高的预测精度。