随着全球能源和环境问题的日益加剧,电动汽车将逐步成为未来主流的交通工具,电池管理系统的研究是电动汽车发展的关键技术之一,而SOC(State of Charge)的准确估计又是电池管理系统运行的基本要素和重要前提,精确的预测电池SOC,能够实现整车能量管理优化控制,根据精确的电池SOC值,进行均衡充放电,提高电池利用效率,能量管理系统控制SOC值在一定的范围内,避免电池出现过充过放,保证电池正常使用,延长电池使用寿命。而现有的SOC估计算法都无法在电动汽车运行的复杂环境下保持高效的估计精度。本论文通过将卡尔曼滤波和BP神经网络相结合,并利用遗传优化获取适合复杂工况环境的最优噪声矩阵,来提高SOC的估计精度。本论文首先对锂离子电池的工作原理和电池等效模型进行分析,建立基于二阶RC电路的电池模型。并根据SOC的基本估算方法,通过实验测试分析影响SOC的充放电倍率、温度、循环次数等因素。本文对扩展的卡尔曼滤波(EKF)和BP神经网络算法进行详细分析,并设计实现了基于扩展卡尔曼滤波的SOC和基于BP神经网络的SOC估计算法,通过仿真结果分析算法的优缺点。针对这两种算法对SOC估计精度不高的问题,提出了EKF-BP的融合SOC估计算法,该算法使用BP神经网络对EKF的估计过程建立误差补偿模型,有效的解决了EKF算法估计精度不足的问题。为了适应电动汽车运行的复杂工况环境,设计采用遗传算法(GA)对EKF-BP融合算法进行优化改进,该方法通过利用GA的全局寻优能力来获取适合复杂工况环境的最优噪声矩阵。并使用电动汽车行业标准的工况数据进行实验,验证算法的有效性。根据所提出的SOC估计算法,结合BMS系统需求设计了电池监控系统。完成了基于CAN2.0协议的BMS系统与上位机软件数据通信协议,以及故障模型设计。最后完成了电池监控系统的功能测试验证。论文提出了基于遗传优化的卡尔曼滤波和神经网络融合的SOC估计算法,并完成了电池监控系统设计,实现了对动力电池的实时状态监控,具有一定的实用意义。