Como componente fundamental de los vehículos de energía nueva, la estimación precisa del Estado de Salud (SOH) de las baterías de energía de iones de litio es esencial. La predicción correcta del SOH de la batería desempeña un papel crucial en la ampliación de la vida útil de los vehículos de energía nueva, garantizando su seguridad y promoviendo su desarrollo sostenible. Los modelos físicos o electroquímicos tradicionales tienen una baja precisión en la medición del SOH de las baterías de litio y no son adecuados para las condiciones de conducción complejas de los vehículos del mundo real. Este estudio utilizó las características de caja negra de los modelos de aprendizaje profundo para explorar las correlaciones intrínsecas en los datos de ciclismo históricos de las baterías de litio, eliminando así la necesidad de considerar las reacciones químicas internas de las baterías de litio. A través del análisis de correlación de Pearson, este estudio selecciona indicadores de salud (HIs) de los datos de ciclismo de la batería de litio que impactan significativamente en el SOH como características de entrada. En el campo de las baterías de litio, este documento aplica ABC-BiGRU por primera vez para la predicción del SOH. En comparación con otros modelos de redes neuronales recursivas, ABC-BiGRU demuestra un rendimiento predictivo superior, con un error cuadrático medio máximo y un error absoluto medio de solo 0.016799317 y 0.012626847, respectivamente.