Como componente principal de los vehículos eléctricos, el estado de salud (SOH) de la batería de iones de litio tiene un impacto directo en el rendimiento y la seguridad del vehículo. Los modelos existentes basados en datos se centran principalmente en la extracción de características, a menudo pasando por alto el procesamiento de información redundante de múltiples niveles y la utilización de características de batería de múltiples etapas. Para abordar estos problemas, este documento propone un método novedoso basado en datos, llamado multi-stage mixed attention U-Net (MMAU-Net), para la estimación del SOH, que se basa tanto en el aprendizaje por fases como en una estructura codificador-decodificador. En primer lugar, se propone el método de división geométrica por punto de rodilla para dividir el ciclo de vida de la batería en múltiples etapas, lo que permite que el modelo aprenda las características distintivas de la degradación de la batería en cada etapa. En segundo lugar, para capturar hábilmente las características degradadas y reducir la información redundante, proponemos un modelo de mixed attention U-Net para la tarea de predicción de SOH, que se construye sobre la estructura fundamental de U-Net y se mejora con módulos de atención temporal y de características. Los resultados experimentales validan la viabilidad y eficacia del método propuesto, demostrando un rendimiento aceptable en una variedad de métricas evaluativas. En consecuencia, este estudio ofrece una investigación dentro del ámbito de la gestión de la salud de la batería.