锂离子电池目前已经在航空航天、电子器件等领域,尤其是新能源汽车领域,得到了广泛应用。由于其内部的组成结构存在着不稳定性,使电池在工作与储存过程中可能会出现老化、过充过放以及热失控等安全事故,因此,为了避免老化电池的继续使用以及电池的过充过放等带来的安全隐患,准确的预测电池剩余使用寿命（RUL）以及荷电状态（SOC）具有重要的现实意义。本文首先基于电池老化经验模型的粒子滤波及其改进粒子滤波算法对剩余使用寿命进行了预测,并从精确性角度出发评估了各个算法的优劣性,从而构建了一种正则化采样改进的扩展粒子滤波算法（IPF）;其次基于两种数据驱动模型分别为自回归整合滑动平均模型（ARIMA）以及支持向量回归模型（SVR）提取了观测数据的线性信息和非线性信息从而对未来趋势进行了预测,基于此构建了数据驱动模型指导粒子滤波预测的ARIMA-SVR-IPF算法。对于荷电状态参数的研究,本文基于Thevenin模型并采用了扩展卡尔曼算法对参数进行估计。本文主要研究工作有:1.基于电池容量衰减的经验模型和粒子滤波算法预测锂离子电池的剩余使用寿命参数时,存在着粒子多样性减少和RUL预测精度较低的问题。为了解决上述问题,首先分析对比了三种改进粒子滤波算法,分别为扩展粒子滤波算法（EPF）、无迹粒子滤波算法（UPF）和正则化粒子滤波算法（RPF）,结果发现UPF算法预测精度最高,但由于其算法的双重采样导致处理时间最长,而EPF算法预测精度仅次于UPF,RPF算法预测精度低但提高了粒子多样性。基于以上算法的优势与不足,本文结合正则化采样和扩展粒子滤波算法,提出了一种新的融合粒子滤波算法（IPF）,并对电池剩余使用寿命进行预测分析。2.在训练数据不足以及经验模型有误差时,IPF算法预测RUL会出现预测误差较大的缺陷。为了解决上述问题,首先采用了自回归积分滑动平均模型对观测数据提取线性信息,然后采用支持向量回归机模型对残差数据提取非线性信息,最后将两种数据驱动模型综合的预测结果作为IPF算法的观测数据,从而构建了一种预测精度较高、经验模型依赖性降低的ARIMA-SVR-IPF融合算法。3.荷电状态的准确监测能够降低电池的老化速率,在实际测量电压过程中存在着干扰噪声,因此,本文采用了离散小波变换方法对端电压进行降噪处理,然后基于Thevenin模型和扩展卡尔曼算法对SOC进行估计,根据结果显示加噪端电压输入SOC估计系统后,扩展卡尔曼算法估计结果与安时积分法估计结果相差将近10%,而降噪端电压输入系统误差低于3%。