锂离子电池的健康状态（SOH）是反映锂离子电池健康管理的重要指标。为了解决锂离子电池 SOH 预测不准和最小二乘支持向量机（LSSVM）模型参数易陷入局部最优的问题，提出了一种结合变分模态分解（VMD）和减法平均优化（SABO）算法优化的 LSSVM 锂离子 SOH 预测方法。首先，从包含电池退化信息的充电和放电过程中提取潜在的健康因子（HI）；其次，通过灰色关联分析法（GRA）分析 HI 和容量的相关性；然后，利用 VMD 将 HI 分解成一系列模态分量，将每个模态分量看作一个单独的子序列，分别输入到 SABO 优化的 LSSVM 中；最后，将每个子序列的预测结果叠加重构并进行误差评估。使用美国国家航空航天局（NASA）提供的 4 个电池数据进行实验验证并额外选择马里兰大学 CALCE 的电池数据验证本方法的适应性，实验结果表明，预测方法具有较高的预测精度，相较于 VMD-LSSVM、LSSVM 和 VMD-SABO-SVM 模型，均方根误差（RMSE）分别提高了 69.8%、86.9% 和 78.1%。