随着全球新能源汽车市场蓬勃发展,电动汽车产销数据的逐年增长宣告了人类即将进入电动汽车时代。在能源危机和环保问题日益严重的今天,电力以产量丰富、可用性强、清洁度高的优势带动了电动汽车的浪潮。但是近年来频发的电动汽车起火自燃事故给电动汽车的发展蒙上了阴影。在大多数电动汽车的自燃事故中,很多原因都与锂离子电池热失控有直接联系,为此在联合国公布的电动汽车安全全球技术法规草案中,其中有一项安全功能,即在发生热失控时警告乘客。因此对动力电池的热失控状态进行评估,及早规避动力电池热失控的发生,对于提高电动汽车的行车安全和保证公众使用新能源汽车产品时的生命和财产安全都是极其重要的。基于以上情况,针对发生热失控的事故车辆的实际运行数据,对电动汽车充电时锂离子电池热失控状态评估展开研究。首先从模型驱动的角度出发,通过对电池热失控过程的分析和调研,针对热失控放热的四个阶段,建立了基于热失控特征温度的评估模型,通过该模型实现了对热失控状态的评估。同时针对电池电滥用引起的自引发内短路,通过构建内短路单体电池模型,提出了基于参数不一致性的内短路识别方法,实现了对电池热失控早期风险的评估。其次从数据驱动的角度出发,针对电池数据的时序依赖性,结合深度学习,提出了一种基于LSTM神经网络的电池热失控评估方法。通过小波分解与重构去除原始数据噪声,完成对事故车热故障特征提取,并以此为输入数据,对构建的神经网络模型进行训练,实现电池热失控数据的准确识别。实验结果表明基于LSTM神经网络的热失控数据识别准确率达到91.3%。然后从电池充电的角度出发,针对充电过程中由于恒流充电导致电池发生热滥用的问题,通过灰色关联分析法对影响电池温升的各种因素进行分析,采用BP神经网络建立了充电温升模型,结合锂电池在各个阶段的充电需求,提出了优化充电温升和充电时间的多段恒流充电方法,以达到前期充电快、后期充电温度低的目的。最后完成了热失控状态评估模型硬件功能验证。将训练好的基于LSTM神经网络的热失控评估模型通过STM32Cube.AI部署到嵌入式开发板上,通过与上位机的数据交互,对评估模型进行了实验验证。