锂离子电池的健康状态和剩余寿命预测是当前的研究热点之一。电池作为复杂的电化学系统,其退化机理的研究较为困难。大数据时代,机器学习的方法给锂离子电池的健康状态和剩余寿命预测提供了一种新的解决思路,可以绕开复杂的机理分析,近年来已经成为主流的预测方法。但是,机器学习模型在应用过程中,其效果主要受几个方面的影响比较大,一是特征本身的构造和预处理,直接影响到整个模型的效果。二是模型训练和超参数的优化。本文主要研究了特征的预处理方式、特征的构造方法和组合优化,并在此基础之上完成健康状态和剩余寿命预测,主要工作如下:（1）对于健康状态的预测,直接从充电曲线上构造特征,采用改进的预处理方式,利用深度学习中的长短时记忆网络模型,挖掘退化过程的长期依赖性,并用贝叶斯方法优化超参数,同时已完成的状态预测后续可用于剩余寿命的计算。（2）在有同类电池数据的情况下,提出一种自动的特征构造方法。首先基于形状相似性以及异常自动筛选算法,实现特征的自动构造。然后通过正交试验设计的方式,进行特征的组合。最后,采用自动调参方法,进行超参数的优化。其特征的构造和组合方式可用于其他电池的预测。（3）对于已预测好的健康状态,使用粒子滤波,实现寿命预测结果的不确定性表示。首先是通过粒子滤波模型,动态的跟踪电池参数的变化,实现电池参数的估计,然后在此基础上,用粒子模拟电池退化,实现寿命的预测。试验结果表明,本文提出的预测方式可以直接用于在单一电池情况下的健康状态预测,或是在已有其他同类电池数据的情况下,获得更好的预测效果。并在此基础上,最终实现电池的参数估计和寿命的不确定性预测。