锂电池的剩余使用寿命（Remaining Useful Life,RUL）预测研究是故障预测与健康管理中不可或缺的一部分。为保证电动汽车安全行驶和最大化使用能量,准确、及时地预测锂电池的RUL尤为重要。由于锂电池内部结构的复杂性,机理模型难以囊括锂电池的退化趋势,数据驱动应运而生。本文针对数据驱动中健康因子（Health Indicator,HI）构建和预测算法选择存在的问题展开研究,主要内容如下:1.针对HI的通用性差、泛化性低的问题,本文构建一种新的用于锂电池RUL预测的高品质HI。分析不同锂电池的循环寿命实验数据与RUL退化的关系,基于放电电压构建一种新的HI即平均电压降（Average Voltage Drop,AVD）,使用皮尔逊相关系数和斯皮尔曼等级相关系数双重验证AVD与容量的相关性,不同锂电池的相关系数的最小值为0.9783,表明AVD与容量极强相关。2.针对预测算法与HI的相关性低的问题,本文使用AVD分别结合相关向量机（Relevance Vector Machine,RVM）和长短期记忆（Long Short-Term Memory,LSTM）构建RUL间接预测模型,其中涉及寻找相对最优的RVM核函数参数和LSTM参数,建立相对最优的预测模型,提高预测精度。实验结果表明,一是RVM预测模型均能准确地间接预测不同锂电池的RUL,均方根误差（Root Mean Square Error,RMSE）和平均绝对误差（Mean Absolute Error,MAE）的最大值分别为0.0169和0.0134,证明AVD的有效性、通用性和泛化性。二是LSTM预测模型均能长期追踪容量衰退趋势,RMSE和MAE的最大值分别为0.0911和0.0784。对比与分析LSTM和RVM在不同锂电池上的预测性能,相较于LSTM,RVM更加适合AVD。3.针对RVM间接预测模型不能实现RUL在线和单点预测的问题,本文构建一种基于RVM-RVM的锂电池RUL直接预测方法,分别在不同锂电池上加以验证,实验结果表明该方法能有效地实现RUL直接预测。