准确预测锂离子电池的剩余使用寿命（RUL，remaining useful life）对提高工作环境安全性和设备可靠性等具有重要意义。为提高 RUL 预测的稳定性和精度，提出一种基于去噪技术与混合数据驱动模型相结合的电池 RUL 预测方法。首先，利用变分模态分解处理原始数据，采用相关性分析筛选出噪声分量，将残差与相关性较强的分量进行组合完成序列重构过程；其次，结合 Tent 混沌映射、正余弦算法和 Levy 飞行策略优化麻雀搜索算法（SSA，sparrow search algorithm），通过寻优得到极限学习机（ELM，extreme learning machine）的最优权阈值；最后，采用平滑去噪数据训练改进的 SSA-ELM 模型并完成 RUL 预测，采用 NASA 数据集验证算法有效性。实验结果表明，所提方法预测结果的平均绝对误差和均方根误差可分别控制在 1.58% 和 2.14% 内，具有较高的鲁棒性和预测精度，可应用于电池 RUL 预测。