预测锂电池剩余使用寿命（RUL，remaining useful life）可以提高电池供电系统的稳定性和安全性，从而明确故障的发生并及时做出响应。在预测过程中，粒子滤波（PF，particle filter）常用于在线辨识模型参数，但当 PF 在线辨识参数时易出现粒子贫化问题，需要大量粒子才能完成状态估计，这将会导致预测结果不准确。为了提高 RUL 预测的准确性，提出一种基于时间递归神经网络（TRNN，time recurrent neural network）和萤火虫算法（FA，firefly algorithm）优化 PF 融合的锂电池 RUL 预测方法。首先，由于 TRNN 的泛化能力优于经验模型，并且易于捕捉容量退化的长距离依赖问题，因此选用其模拟各种条件下的电池退化模型；其次，基于 FA 优化的 PF 技术对 TRNN 模型参数进行递归更新，使粒子群移动到高似然区域，从而减少 PF 的贫化；最后，选择不同条件下不同电池的实验数据进行验证和比较。结果表明，与传统方法相比，该方法具有更高的 RUL 预测精度。