La adopción generalizada y la utilización de vehículos eléctricos han sido limitadas por el rendimiento de las baterías de potencia. Propusimos un método de diagnóstico de fallas para las baterías de potencia basado en la fusión de múltiples modelos. El método fusionó efectivamente las ventajas de varios modelos de clasificación y evitó el sesgo de un solo modelo hacia ciertos tipos de fallas. En primer lugar, recopilamos y clasificamos la información de los parámetros de la batería de potencia durante la operación. Tres redes neuronales comunes: red neuronal de retropropagación (BP), red neuronal convolucional (CNN) y red neuronal de memoria a corto y largo plazo (LSTM), se aplicaron al diagnóstico de fallas de la batería para producir los tipos de fallas. En segundo lugar, el algoritmo de fusión propuesto en este documento determinó el tipo de falla con precisión. Basado en el método de votación mejorado, el algoritmo de fusión propuesto, llamado algoritmo de decisión multinivel, calculó los factores de votación de los resultados de diagnóstico de cada modelo de clasificación. Según los umbrales de decisión establecidos, se realizó una votación de decisión multinivel para evitar el descuido de información de clasificación efectiva de modelos minoritarios, lo que puede ocurrir con los métodos de votación tradicionales. Finalmente, la precisión y efectividad del método propuesto se verificaron al comparar la precisión de cada modelo de clasificación con el algoritmo de fusión de múltiples modelos.