动力电池是新能源电动汽车的能量来源,电池管理系统对动力电池进行安全有效管理,是电动汽车行业发展的关键技术。为了使动力电池满足实际复杂运行工况下电动汽车对续航里程、安全行驶的要求,研究动力电池的模型和荷电状态（SOC）关键估计具有重要理论和工程应用意义。论文针对典型磷酸铁锂动力电池的模型和SOC状态估计问题展开研究,主要工作如下:（1）搭建动力电池测试平台,设计动力电池特性测试方案。利用Arbin EVTS电动车电池测试系统对磷酸铁锂动力电池进行实验,分析磷酸铁锂电池的端电压特性、电流倍率特性、开路电压特性、欧姆内阻特性、工况特性等,为动力电池建模、参数辨识和状态估计提供测试数据集。（2）电池等效电路模型是SOC估计的前提,针对电池等效电路模型未考虑量测误差的问题,提出基于可控自回归滑动平均模型的一阶Thevenin等效电路模型,有效降低外部测量误差影响,提高模型精度。以此为基础,针对模型参数不同步时变特性,在递归最小二乘算法基础上增加变遗忘因子对模型参数进行辨识,自适应遗忘因子的调整使得模型参数与各自动态时变特性相匹配,有效地提高模型参数的稳定性。基于实验数据的仿真结果表明可控自回归滑动平均模型和变遗忘因子递归最小二乘算法能更加准确地获取模型参数。（3）磷酸铁锂电池的开路电压-荷电状态（OCV-SOC）曲线特性,描述了SOC与电池等效电路模型中的参数OCV之间的关系。但磷酸铁锂电池的OCV-SOC曲线存在局部平坦特性,导致放大了OCV误差对SOC估计的影响。针对这一问题,提出开路电压OCV前馈补偿策略以提高基于OCV的SOC估计精度,以基于OCV-SOC曲线斜率的微调因子调节端电压偏差对OCV进行前馈补偿。（4）电池等效电路模型存在非线性特性和受外部随机干扰,在卡尔曼滤波的SOC估计中,分别对电池非线性观测函数近似、非线性观测函数的概率密度近似和干扰抑制进行研究。针对单新息卡尔曼滤波在量测更新中的非线性观测函数近似问题,提出基于多新息扩展卡尔曼滤波的电池SOC估计方法;针对非线性观测函数的概率密度近似,提出基于Gauss-Newton迭代容积卡尔曼滤波的电池SOC估计方法;针对干扰抑制,通过选择抗差因子调节观测方差矩阵和增益矩阵以削弱外部干扰对电池SOC估计的影响。（5）由于同一工艺条件下的磷酸铁锂电池差异性,电池低阶等效电路模型不能覆盖电池完整的动态特性和静态特性,其等效电路模型不确定性不可避免。针对模型误差,引入基于最小最大误差准则的H无穷滤波方法对电池SOC进行估计。为了降低H无穷滤波方法受未知噪声统计特性的影响,利用基于最大似然估计的自适应准则更新状态噪声方差和测量噪声方差。在自适应H无穷滤波基础上引入强跟踪滤波,在先验估计方差上增加次优衰减因子,使用估计残差序列中的相关正交信息更新状态方差,增强H无穷滤波对电池SOC的跟踪能力。另外考虑OCV与容量之间的相关性,引入容量误差补偿策略提高容量估计精度。综上所述,在一阶Thevenin模型基础上,针对量测电流误差和电压误差,提出可控自回归滑动平均电池模型和变遗忘因子递归最小二乘算法对模型参数进行辨识,较好地解决了动力电池模型参数的非同步变化、辨识波动等问题;针对OCV-SOC曲线平坦特性,提出了开路电压OCV前馈补偿策略提高基于多新息扩展卡尔曼滤波算法的SOC估计精度;利用Gauss-Newton迭代方法在容积卡尔曼滤波量测修正阶段迭代更新SOC和状态方差,自适应选择抗差因子以抑制外部噪声干扰;针对低阶模型误差,提出了自适应强跟踪H无穷滤波算法对电池SOC进行估计。从多种影响因素角度,所提出的3种方法有效地提高了SOC估计精度和抗干扰性。所取得的成果为动力电池系统高效安全运行提供了理论与技术参考。