锂离子电池在电动汽车、通讯基站和储能系统等许多领域具有广泛的应用,开展锂离子电池健康状态（State of health,SOH）和剩余寿命（Remaining useful life,RUL）预测的研究,对于有效预知锂离子电池性能退化程度,实现视情维修和提高系统的可靠性具有重要的意义。高斯过程回归（Gaussian process regression,GPR）方法作为一种非参数概率模型方法,既能给出模型的响应输出,又能给出输出的不确定度,在解决小样本、非线性问题中具有独特的优势。本文以高斯过程回归为基本预测模型,结合锂离子电池退化过程特性,开展基于改进高斯过程回归方法的锂离子电池SOH和RUL预测方法研究。以下是本文主要研究工作:首先,针对锂离子电池容量再生现象导致离群点的产生,从而影响预测过程建模精度的问题,提出一种基于能量加权高斯过程回归（Energy-weighted Gaussian process regression,EWGPR）的SOH和RUL预测方法。该方法将离群点的异方差问题转化为加权高斯过程回归问题,将容量再生现象看作是锂离子电池容量衰减过程的能量凸现,利用经验模式分解（Empirical mode decomposition,EMD）方法获得样本的能量分布情况,根据能量情况计算每个样本的权重,进而建立基于能量加权高斯过程回归的锂离子电池SOH和RUL预测模型。在NASA锂离子电池数据集上验证了该方法的有效性。其次,针对传统GPR建模方法建立单一GPR模型,无法充分挖掘不同锂离子电池历史数据中内在信息的问题,提出一种基于多高斯过程回归（Multiple Gaussian process regression,MGPR）的锂离子电池SOH预测方法。该方法首先从锂离子电池的充电曲线中提取健康特征（Health indcator,HI）作为预测模型输入,然后使用互信息分析来选择与SOH密切相关的HI。最后对不同的电池数据建立不同的高斯过程回归模型,并设计了基于预测不确定性的加权策略,以整合来自多个GPR模型的预测结果。在NASA锂离子电池数据集上进行仿真实验,结果证明了MGPR方法能够比GPR方法更有效的进行SOH预测。最后,针对锂离子电池RUL预测模型的输入变量中存在冗余信息的问题,引入直接正交信号校正（Direct orthogonal signal correction,DOSC）方法,提出了一种基于DOSC-AE-GPR的锂离子电池RUL预测方法。该方法从锂离子电池充电曲线中提取健康特征HI作为预测模型输入,利用直接正交信号校正方法对HI进行预处理,去除与剩余寿命曲线中不期望的正交成分。进一步将数据预处理过后的HI利用自编码器（Autoencoders,AE）进行特征融合,并利用高斯过程回归方法进行RUL预测。在NASA锂离子电池数据集上的仿真结果表明该方法能够有效的进行RUL预测。