随着新能源汽车的飞速发展,锂离子电池相关技术成为研究重点。电池荷电状态（State of Charge,SOC）和健康状态（State of Health,SOH）是锂离子电池重要参数,准确的SOC和SOH估算可以避免电池过度充放电,保证电池健康使用,具有十分重要的意义。本文以锂离子电池为研究对象,深入研究了锂离子电池在全使用周期下SOC和SOH联合估算方法,具体工作如下:首先,介绍了SOC和SOH的定义和研究现状,分析了锂离子电池结构和工作原理,研究了锂离子电池充放电特性,探究了温度和放电倍率对SOC和SOH影响。最终确定将温度和放电倍率作为锂离子电池SOC和SOH估算的影响因素。其次,在长短时记忆循环神经网络（Long-Short Term Memory Recurrent Neural Network,LSTM RNN）基础上,提出了一种基于Mogrifier LSTM锂离子电池SOC估算方法。改进方法在原有LSTM神经网络基础上增加两个门控单元,在输入和输出之间建立了更加丰富的交互空间。在Py Torch深度学习框架中搭建LSTM和Mogrifier LSTM神经网络,对网络超参数进行优化。在恒流、脉冲和NASA随机使用数据集上测试了改进算法在不同工况下SOC估算性能。实验结果表明,与原有LSTM神经网络相比,改进算法在不同工况下的SOC估算精度更高,验证了所提算法的鲁棒性和适用范围。在NASA数据集上选取不同时间段实验数据对Mogrifier LSTM神经网络进行训练,探究了电池老化对SOC估算带来的实际影响。实验结果表明,电池老化对全使用周期下锂离子电池SOC估算造成了不利影响,最终确定在锂离子电池SOC估算的过程中将SOH考虑在内。最后,提出了一种基于Mogrifier LSTM和卷积神经网络（Convolutional Neural Network,CNN）相结合的锂离子电池SOC和SOH联合估算方法。该方法利用锂离子电池电压、电流和温度实现电池全使用周期下SOC和SOH联合估算。由于所提联合估算方法在SOC估算过程中将SOH考虑在内,抵消了电池老化对SOC估算造成的不利影响。在NASA随机使用数据集和牛津老化数据集上验证了所提SOC和SOH联合估算方法的鲁棒性和适用范围。实验结果表明,所提出的联合估算方法能够在不同温度和不同工况下实现锂离子电池SOC和SOH联合估算,且获得较高的精度。