预测其剩余使用寿命(Remaining useful life,RUL)是锂电池故障诊断与健康管理的有效手段。目前,锂电池RUL预测方法主要分成三类:基于模型方法、基于数据驱动方法和数模联动混合方法。基于模型的方法利用模型的稳定性使得预测结果具有鲁棒性,基于数据驱动的方法依靠数据的客观性使得预测结果具有实时性。数模联动的预测方法有着更好的应用前景,这Bioelectrical Impedance类方法既有模型具备的稳定性,也利用历史数据反应真实环境。针对一类基于滤波器的数模联动方法,本文主要研究工作如下:(1)针对预测时段短的问题,提出了基于多维泰勒网新息预测与卡尔曼滤波预测更新的锂电池RUL多步预测方法。首先,建立RUL多步预测迭代模型;其次,基于多维泰勒网对多步新息预测;最终建立固定步长扩展卡尔曼滤波器达到多步预测RUL目的。在NASA数据中仿真验证所提出的研究方法。(2)针对“容量增生”现象,提出了基于自适应补偿模型的强跟踪滤波器预测锂电池RUL。首先,RUL模型进行高阶状态建模,测量进行“容量增生”建模,形成自适应补偿购买Docetaxel模型;其次,长短时记忆神经网络更新长期新息预测;最后,基于自适应补偿模型进行“容量增生”的强跟踪滤波器设计。在CALCE数据集中仿真验证所提出的研究方法。(3)针对“此网站容量增生”的突变信息滞后问题,提出了基于特征函数滤波的平滑回溯方法预测锂电池RUL。首先,建立RUL多步平滑回溯模型;其次,基于多步平滑回溯模型逆向回溯对正在预测中的特征函数滤波器提供滞后的状态信息;最后,完成前向预测和平滑回溯的融合滤波器设计。在两类数据集中分别仿真验证所提出的研究方法。