随着新能源汽车数量的快速增长，精准预测锂离子电池的剩余使用寿命(remaining useful life, RUL)对新能源汽车产业的持续发展起到了至关重要的作用。本工作提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)和深度学习的创新方法，旨在提升锂离子电池RUL的预测精度。首先，通过EEMD对电池容量数据进行多尺度分解，得到电池容量数据的全局退化趋势和局部随机波动分量。为了减轻噪声对模型预测精确度的干扰，引入去噪自编码器(denoising autoencoder, DAE)对随机波动分量进行降噪处理。随后，分别使用长短期记忆(long short-term memory, LSTM)网络和自注意力模型(Transformer)对全局退化趋势和降噪后的随机波动分量进行建模。最后为进一步提取各模态分量中存在的信息，采用随机森林(random forest, RF)算法计算各分量的重要性权重，根据得到的权重值对预测结果加权重构。本工作在美国国家航空航天局(National Aeronautics and Space Administration, NASA)公开的电池数据集上分别使用40%和60%的历史数据进行实验，结果表明所提出的方法在精度和有效性方面均优于现有方法，验证了其在锂离子电池RUL预测中的应用潜力。
