锂离子电池已被广泛应用于储能系统与电动汽车中，精确地估算锂离子电池健康状态 SOH（state-of-health）是保证系统安全可靠运行的必要条件。从容量的角度分析 SOH，在恒流-恒压 CC-CV（constant current-constant voltage）充电电压和温度曲线中提取了 7 个健康特征 HI（health indicator）作为输入，基于数据驱动法提出了麻雀搜索算法-反向传播神经网络 SSA-BPNN（sparrow search algorithm-back propagation neural network）的锂离子电池 SOH 估算方法，并应用数据增强进一步提高模型的鲁棒性，最终在 NASA 锂离子电池随机使用数据集上进行验证。通过与未采取数据增强的传统 BP 神经网络相比，SOH 估算精度有明显提升，测试集 SOH 估算的最大绝对误差和均方根误差分别小于 3% 和 1.32%，实验结果表明该方法兼顾误差小、收敛快、全局搜索能力强，且能够适应电池老化差异特性。