为减少汽车尾气对城市环境的污染,电动汽车在国内得到了快速的发展。锂离子电池因其能量密度高、稳定性强、循环寿命长等优点被广泛用于电动汽车。除锂离子电池自身特点之外,电池管理系统（Battery Management System,BMS）对电池状态的监测和调控是电动汽车安全行驶和续航长久的保障。由于不恰当的电池使用会造成电池性能衰退给电动汽车带来潜在的风险。因此,实现准确的锂离子电池健康状态（State Of Health,SOH）估计对于保证电池的安全使用意义重大。针对锂离子电池SOH鲁棒性估计问题,本文采用机器学习方法。通过研究两种不同类型的锂离子电池,采用多特征提取方法采集健康因子,构建融合模型。研究了粒子滤波算法对高斯过程回归模型参数更新问题,并将模型融合算法与各自模型进行了深入研究对比。本文的主要工作如下:（1）首先从基于实验方法和基于模型方法两个不同角度对国内外近几年的锂离子电池SOH预测文献进行优缺点分析,引出本文的研究内容,并安排文章结构。（2）然后从外部结构、内部组成和电化学分析不同角度展开对锂离子电池工作原理的研究。通过分析锂离子电池老化的相关因素,引出锂离子电池在本文中对健康状态的定义方法。建立锂离子电池在老化过程中的内部参数变化与健康状态的关系,分析了影响锂离子电池健康状态的因素。并根据锂离子电池健康状态定义方法,采用电池容量作为电池SOH的评估标准。（3）接着对NASA和CALCE两种类型锂离子电池数据集进行数据分析和异常值剔除。基于锂离子电池复杂非线性的衰退特性,提取数据集中的恒流充电阶段电压曲线。分别研究了线性拟合特征参数识别、等压差时间提取、等时间压差提取、等效电路参数辨识的多种特征提取方法。建立基于经验、几何和物理模型的多角度组合特征,更加全面反应电池的老化过程。通过对健康因子进行线性相关分析,获取所提取特征的相关性系数,验证特征的可行性,并针对多特征输入进行合理性验证。（4）最后研究了高斯过程回归模型核函数选择和超参数优化问题。并针对高斯过程回归的单一核函数存在局部过拟合和泛化能力差等问题,提出一种既包括全局趋势又包括局部变化的组合核函数,提高模型预测精度。针对单一模型精度有限,本文通过多模型组合,提出了一种基于高斯过程回归与粒子滤波的模型融合算法,并采用贝叶斯模型进行误差修正提高了融合模型的准确性和鲁棒性。通过引入粒子滤波算法对模型参数进行更新贝叶斯误差修正,研究粒子滤波更新高斯过程回归内部参数的方法,进一步提高了模型预测精度。此外,为了证明该融合模型的通用性,实验采用不同型号的锂离子电池数据集。实验结果表明,所提出的模型融合方法相对于采用单一模型的方法具有更好的实用性。