针对锂电池容量衰退过程中容量再生和曲线持续波动导致的剩余使用寿命(RUL)难以精确预测的问题,提出基于变分模态分解(VMD)和改进滑动窗口(ISW)的长短期记忆(LSTM)神经网络预测模型。首先,使用VMD对容量数据进行分解,区分主退化和容量再生趋势;其次,利用ISW动态捕捉曲线波动,提高预测精度;最后,使用LSTM建模,LSTM和VMD的参数均使用贝叶斯优化(BO)寻优。采用NASA数据集实验验证,并在CALCE数据集上进一步验证,同时与SW-LSTM和ISW-LSTM模型进行对比。结果表明,所提方法具有更小的预测误差和更高的稳定性,能有效消除容量再生和曲线波动带来的影响,且具有泛化性能和实时处理能力。