质子交换膜燃料电池（PEMFC）作为一种很有前途的绿色能源，其在如车辆、船只和航空航天等领域拥有非常广泛的应用。但是PEMFC在应用时的可靠性问题也日渐突出，其中燃料电池的寿命又是一系列问题中的重中之重，所以寿命预测逐渐引起了人们的广泛关注与研究。本文提出了一种基于粒子群算法（PSO）优化的长短期记忆神经网络（LSTM）方法来对PEMFC进行电堆电压的退化预测。首先，本文分析了PEMFC的退化机理。然后应用LSTM建立电压退化预测模型并采用Dropout层来防止过拟合以提高模型泛化能力。此外，使用PSO优化LSTM中的初始学习率以及Dropout概率以提升预测效果。本文使用IEEE 2014 Data Challenge Data的燃料电池实际老化数据进行验证。结果表明，该方法可以精确地预测燃料电池的退化，相比于传统的LSTM，其预测精度提升了50%。