为缓解能源危机、环境污染与经济发展之间的矛盾,新能源电动汽车产业得以快速发展,并推动了动力锂电池的推广应用。同时这也对锂电池的安全性提出了更高的要求。目前对于锂电池安全性的研究主要针对于锂电池的健康状态(State-Of-Health,SOH)与剩余使用寿命(Remaining Useful Life,RUL),这些研究为锂电池的维护、管理与应用提供参照从而避免潜在的安全性问题,对锂电池的实际应用而言十分重要。本文从实际角度出发,针对当前锂电池安全性评估中存在的问题,进行了如下研究:(1)对锂电池失效特征参数的提取进行了研究。通过对锂电池衰退机理及影响因素的分析确定了影响或反映锂电池衰退的主要因素。随后根据锂电池实际使用特点从锂电池充电曲线中提取了6个失效特征参数,利用灰色关联度分析从数学上对它们与锂电池SOH之间的关联性进行了验证,并以此为依据进行重筛选。最终采用4个失效特征参数组成表征锂电池当前状态的失效特征参数向量。(2)对适应多工况下锂电池SOH预测的算法方案进行了研究。基于所提取的失效特征参数,提出一种新的训练集设计思路,采用两个异工况数据集组成算法训练集以表征“区间工况”,再利用最小二乘支持向量机(Least squares support vector machine,LSSVM)的算法特性实现对训练集信息的融合,从而实现适应多工况下锂电池SOH预测的算法模型的建立。针对锂电池容量衰退特性及LSSVM对噪声的敏感性,提出基于模糊理论与混合核函数的优化方案。最终通过多个NASA数据集仿真比较验证了算法的准确性、鲁棒性与泛化性。并在嵌入式平台验证了算法的嵌入式应用价值。(3)基于混沌理论研究了锂电池RUL预测方法。通过分析比较各类方法引入混沌时间序列分析对锂电池SOH序列进行处理。利用互信息法和Cao法对锂电池SOH时间序列进行了相空间重构以恢复吸引子,并作为RUL预测算法训练集。根据混沌系统性质,提出锂电池RUL预测的混沌LSSVM算法。最后通过多个数据集仿真测试,验证了所提出算法的准确性与泛化性。