随着全球能源的急剧消耗,新能源发展已经受到各国政府密切关注。由于锂电池能量高、电压高、寿命长并且无污染等优势,深受各个领域的青睐。但锂电池在充放电过程中由于异常导致的自燃,常常造成严重的事故,甚至引发人员伤亡。因此本文旨对锂电池充放电过程中的温度进行检测与监控,实现锂电池异常分类和报警,为锂电池的生产和使用提供了安全保障。本文围绕锂电池检测、监控、分类和报警,开展了以下工作:采用“节点控制器-集中控制器-后台监控管理中心”三层系统结构设计。（1）节点控制器以GD32F330CBT6芯片作为核心,以HTPA 16x4R1、MLX90640与HTPA 32x32d RIL红外阵列传感器为温度信号采集器件,经485总线将温度数据传输到集中控制器。（2）集中控制器是以S3C2440A芯片作为核心,控制各个节点控制器,并将温度数据传输到后台监控管理中心。（3）后台监控管理中心采用C++开发,主要包含红外温度监控中心界面和红外温度采集分布界面,并采用改进的卷积神经网络模型对锂电池异常进行分类,以实现实时监控与异常报警的功能。本文的创新点:（1）激活函数主要是用于解决神经网络中非线性问题,针对原始激活函数Re LU无法适应锂电池温度数据变化的问题,从特征提取结构设计角度上,提出了参数化形变指数激活函数进行改进。经实验结果对比分析,改进的激活函数对ALex Net、VGG16、Resnet和Inception＿v3四种网络结构损失值分别下降了61.21%、60.87%、57.25%和32.47%。同时准确率分别提高了5.17%、3.99%、5.4%和4.47%。（2）损失函数主要用于是判定真实值与预测值之间的差距,针对Softmax作为损失函数结构单一,导致最终无法精确地得到实际分类结果和正确分类结果之间的距离,因此提出了基于AM-Softmax的损失函数和基于Softmax与中心损失函数共同监督两种改进方法。在锂电池红外温度数据集下,AM-Softmax对ALex Net、VGG16、Resnet和Inception＿v3的准确率分别提高了5.1%、4.74%、4.65%和5.12%,其中Inception＿v3的准确率达到了95.17%,而在Softmax与中心损失函数共同监督下则分别提高了1.25%、3.87%、0.55%和1.73%。从实验结果可以看出,两种改进损失函数的方法均对准确率有所提高,其中AM-Softmax的效果更为明显。