锂离子电池剩余使用寿命（Remaining Useful Life，RUL）预测问题已成为电子系统故障预测和健康管理（Prognostics and Health Management，PHM）领域的研究热点和挑战问题之一，实现准确的RUL估计并给出结果的不确定性表达有助于实现视情维修和提高系统可靠性，具有重要的研究和实用价值。粒子滤波（Particle Filter，PF）是采用蒙特卡洛思想来解决贝叶斯估计的一种算法，利用粒子集来表示概率，可以用在任何形式的状态空间模型上，为解决预测结果的不确定表达提供了一种新的思路。鉴于此，本文将开展基于粒子滤波的锂离子电池RUL预测方法研究。首先，本文基于锂离子电池循环寿命退化数据，对锂离子电池的寿命退化过程进行分析并选择经验退化模型，采用粒子滤波对其进行RUL预测，并通过概率密度分布（Probability Density Function，PDF）的形式给出预测结果的不确定性表达，同时通过对比实验选取适当的PF重采样算法，从而实现一种带有不确定性表达的方法框架。其次，针对预测中基于经验模型对锂离子电池个体差异适应性差的问题，提出基于粒子滤波和自回归（Autoregressive model,AR）模型相融合的混合型RUL预测方法；同时引入正则化粒子滤波方法，解决预测过程PF算法中粒子多样性匮乏所造成的不确定性表达精度差的问题，从而提高不确定性表达精度；此外，针对退化数据随着锂离子电池循环周期推进，性能退化下降趋势加剧的特性，提出了一种改进的ND-AR模型，提高了预测精度。最后，采用数据驱动PHM的性能评估指标给出预测方法的性能评价，并与现有的带有不确定性表达的预测算法进行对比分析，验证本文提出算法在性能上的优势，并实现预测结果不确定性PDF的量化估计，为未来系统的维修提供更有价值的决策参考信息。文中采用两个研究中心的电池测试数据集完成的大量实验表明，所提出的预测方法能够有效准确地对锂离子电池循环寿命进行预测，并实现预测结果的概率密度分布输出及不确定性的量化表达；针对随着时间推进，锂离子电池出现的加速非线性退化问题，本文所提出的锂离子电池RUL预测框架可以有效地提高RUL估计的精度；与其他方法对比，在预测精度和不确定性表达精度上都有明显提高。