锂离子电池由于能量密度高、功率密度高、无记忆效应等优点，因此具有广阔的应用前景。在使用过程中，由于副反应等物理化学因素的影响，锂离子电池结构中正负电极和固体电解质相界面(Solid Electrolyte Interphase, SEI)膜等部分的形态和性质发生变化，导致电池出现老化现象。宏观外特性通常表现为容量衰减和内阻升高。容量衰减和内阻升高直接影响电池特性，进而影响电池管理系统对电池的有效控制与管理。因此，老化问题除了应在电池设计与制造时充分考虑外，在使用过程中也需要依靠有效的模型准确评估与可靠预测。解决上述问题的基础性工作是提取老化特征、建立有效的电池模型，本文以此为主要研究目标。磷酸铁锂电池因为其安全性能高的优点在我国被广泛应用，因此本文以磷酸铁锂电池为研究对象。
　　首先，寻找包含磷酸铁锂电池老化特征的负极特征区间。通过研究磷酸铁锂电池的老化特性，发现磷酸铁锂电池的主要老化现象是锂浓度减少以及负极活性材料的损失，因此，本文提出一种在不拆解电池的条件下获取负极特征的方法，并将该包含大量老化特征的区间定义为负极特征区间。然后，基于电池的分数阶模型以及对电势变化的线性化模型表征电池正负极的电势响应，并设计半电极实验、三电极实验、充放电实验，进而获取模型参数最终得到电池全寿命周期都存在的负极特征区间。利用该负极特征区间可以从全电池数据提取负极老化特征，为后续的老化模型的建立提供了理论和数据基础。
　　然后，基于负极特征区间特性，建立包含更多老化信息神经网络模型，预测电池容量。由于反向传播神经网络(Back Propagation Neural Network, BPNN)具有非线性映射能力强，自学习机制和可在线更新参数等优势，适合在有限数据条件下对电池特性进行建模。因此本文采用BPNN对电池建立老化模型，对6Ah磷酸铁锂电池进行老化实验，利用负极特征区间中包含老化特征的数据，预测电池容量。结果显示，容量估计的平均相对误差在2%以内，满足电池使用中的实际需求。相较于传统的不包含机理分析神经网络方法，具有更多实际应用的潜力。
　　进一步，利用负极特征区间提取老化特征参数，进一步完善电池老化模型。对3.2Ah电池进行阶跃放电以及老化实验，力求在不拆解电池的情况下提取负极特征区间内表征电池老化的重要特征参数----负极固相扩散时间常数，完善基于负极特征区间的电池老化模型。结果显示，通过电池实验数据获取的负极固相扩散时间常数外特性验证平均相对误差在1%以内。
　　此外，为了完成各种繁重的电池实验，满足长时间实验的稳定性需求，本文搭建了锂离子电池自动测试平台，实现了电池测试平台与恒温箱的自动协同控制；为提升数据处理的效率，编写了电池数据处理程序，为长时间硬件设备间的通讯提供了软件基础。