三相永磁同步电机(PMSM)的矢量控制性能取决于转子位置的检测精度,在许多实际应用场合,出于对环境、成本或系统结构限制等因素的考虑无法在电机上安装额外的位置传感器,论文以此为背景,探讨将容积卡尔曼滤波算法(CKF)用于解决无位置传感器磁场定向控制中PMSM的速度和转子位置状态估计问题的可行性,对基于CKF算法的PMSM矢量控制驱动系统的电机状态估计进行了详细的理论分析、仿真研究和实验验证。CKF算法是非线性卡尔曼滤波估计算法发展史上的一个里程碑式的成果,它的出现给非线性滤波领域开创了一个全新的、极富生命力的方向。CKF依托不变量理论,采用3阶球面-径向容积准则对多维高斯加权的非线性函数积分进行数值近似,从而实现对状态后验概率密度统计特性的捕获。作为卡尔曼滤波算法中的一员,CKF保留了卡尔曼滤波框架典型的简洁、优雅、高效的递推形式,与基于Taylor展开的EKF相比,CKF具有更高的估计精度和对非线性的适应能力,与UKF相比,CKF具有更为严格的数学推导和在高维非线性滤波问题中更优异的数值稳定性,与GHF相比,CKF在保持较高估计精度、数值稳定性的同时还具有高计算效率。在电气领域,与卡尔曼滤波有关的电机无位置传感器控制状态估计方法的研究主要集中在EKF的应用上,然而这是半个世纪前的方法,近20年以来非线性滤波领域已经发展出了若干优秀的滤波算法,尤其是最晚出现的、目前非线性滤波领域内最先进的算法CKF,然而这些更为先进的方法并没有被大量应用到电机的状态估计问题中,对它们的研究寥寥无几,很少有研究将其与交流电机的状态估计问题相结合。本论文对基于CKF的状态估计方法在永磁同步电机无位置传感器控制中的应用进行了全面研究。在详细介绍完贝叶斯滤波框架、不变量理论和高维数值积分等理论基础之后给出了CKF算法的详细推导过程,同时从数值稳定性角度出发给出了平方根分解算法SCKF。将CKF引入到PMSM状态估计问题中,利用电机在静止坐标系下的状态方程和观测方程,设计PMSM转子转速和位置状态的容积卡尔曼滤波估计算法,利用Matlab/Simulink对论文所提方法进行预验证,仿真结果表明CKF算法无论是对于矢量控制方法还是对于直接转矩控制方法中的电机状态估计问题都有着良好的表现。为进一步验证容积卡尔曼滤波理论的实际应用价值,搭建了基于TMS320F28377D芯片的PMSM数字控制驱动平台并进行了各种典型的动态实验测试和参数不确定情况下估计精度的测试,实验结果表明基于CKF算法的PMSM状态估计方法在宽调速范围内都具有良好的稳态和动态表现。