锂离子电池作为热门的新能源产品,其本质是一个复杂且不稳定的电化学系统。随着锂离子电池的应用越来越广泛,对这些不稳定因素进行研究是有实际价值的。锂离子电池的健康状态（State of health,SOH）作为众多不稳定因素之一,在故障预测与健康管理（Prognostics Health Management,PHM）领域中颇受研究者的重视。而随着以数据为基础的数据驱动技术在各领域的普及,数据驱动技术在SOH估计领域也受到了越来越多的关注。该方法不需要电池的先验知识,仅利用数据的隐含信息,就可以达到预测的目的,因此通过数据驱动方法对SOH进行估计已经成为目前研究的主流方向。针对数据驱动方法,现有的大部分研究在提高精度时牺牲运行速度,这与实际应用相违背,且现有的研究方法过于单一,各个方面性能的提升有限。为了解决这些问题,本文对锂电池SOH估计方法进行了如下主要研究:（1）在仅考虑容量方面,针对组合模型会导致速度过慢的问题,首次应用轻型时态卷积网络（Temporal convolutional network,TCN）模型搭建SOH估计模型,在保证精度的同时提升了速度,并通过大量的实验结果证明其可行性。（2）本文针对TCN模型进行改进,提出结合注意力机制和可分离卷积的注意力TCN网络（Attention and Depth Wise TCN,AD-TCN）新模型,并验证了模型在SOH估计方面优异的性能。（3）单独对剩余使用寿命（Remaining useful life,RUL）进行预测,结合经验模态分解（Empirical Mode Decomposition,EMD）去噪算法,避免直接通过SOH估计判断RUL导致的精度低下问题。（4）在特征工程方面,针对退化趋势曲线使用动态时间规整重心平均（Dynamic Time Warping Barycenter Averaging,DBA）算法对原始数据优先进行聚类,避免使用自动提取特征方法时存在冗余特征的问题。通过实验分析,本文所使用的TCN模型比现有基础模型精度提高了约5%;其次提出用于多因素预测的AD-TCN模型,该模型具有很强的鲁棒性,精度不受特征工程的影响,稳定在2%左右;此外该模型也为锂离子电池性能研究提供了一种新的改进思路。