Con la creciente adopción de vehículos eléctricos (VE) por parte del público en general, se está llevando a cabo mucha investigación en temas relacionados con las baterías de iones de litio, donde la estimación del estado de salud (SoH) tiene un papel prominente. El conocimiento preciso de este parámetro es esencial para el funcionamiento eficiente y seguro de los VE. En este trabajo, se aplican técnicas de aprendizaje automático para estimar este parámetro en aplicaciones de VE y en diversos escenarios. Después de analizar exhaustivamente el envejecimiento de las celdas en diferentes condiciones de almacenamiento, se desarrolla un enfoque novedoso basado en datos de impedancia para la estimación del SoH. Se emplea una red neuronal feed-forward totalmente conectada (FC-FNN) para estimar la capacidad máxima disponible de la batería a partir de un pequeño conjunto de mediciones de impedancia. El método fue probado para la estimación en escenarios a largo plazo y para diversos procedimientos de degradación con datos de baterías reales de VE. Se obtuvo una alta precisión en todas las situaciones, con un error absoluto medio tan bajo como 0.9%. Por lo tanto, el algoritmo propuesto constituye una solución potente y viable para la estimación rápida y precisa del SoH en sistemas de gestión de baterías del mundo real.