为提高锂电池荷电状态SOC（state-of-charge）预测精度，提出1种基于注意力机制和卷积神经网络-长短时记忆CNN-LSTM（convolution neural network-long short-term memory）融合模型的锂电池荷电状态预测方法。该模型采用一维CNN和LSTM神经网络学习得到SOC与锂电池放电数据的非线性关系，以及SOC序列存在的长期依赖性。同时，该模型采用“多对一”的结构，将当前时刻的SOC与多个历史时刻的放电数据建立映射关系，并通过注意力机制关注到对当前时刻SOC影响较大的历史放电数据，进一步提升SOC的预测准确度。动态工况下的锂电池SOC预测实验表明，该方法在不同温度条件下的平均预测误差为0.89%，与SVM、GRU和XGBoost相比，分别降低了81.2%、66.7%和56.5%，且优于未融合注意力机制的LSTM和CNN-LSTM，具有较高的预测精度和应用价值。