发展电动汽车是实现“双碳”目标的有效途径,但电动汽车的安全性和续航里程尚无法满足大规模增长的发展需求,仍然制约着其发展。锂离子电池作为电动汽车的动力来源,面对电池内部复杂的电化学反应以及多变的车辆应用场景,精准地估计电池的各项状态（State of x,SOX）,包括荷电状态（State of Charge,SOC）、能量状态（State of Energy,SOE）与健康状态（State of Health,SOH）等,是保障动力电池安全高效运行、提高电池寿命的重要前提。因此,本文为实现锂离子动力电池SOC、SOH和SOE三种重要状态的精准联合估计,将通过构建基于双自适应扩展卡尔曼滤波（Double Adaptive Extended Kalman Filter,DAEKF）的锂离子电池等效电路模型和考虑电化学机理的神经网络模型,并以18650锂离子电池充放电实验和实车行驶过程作为状态估计方法验证;通过对比基于模型构建和基于数据驱动的两种估计方法,得到在不同情境下锂离子动力电池更适合更精准的状态估计方法。首先,在分析锂离子电池状态估计方法的国内外研究现状后,概述了锂离子电池充放电过程的基本工作原理和电池SOC、SOH和SOE的基本定义公式,总结归纳了常见的锂离子电池状态估计方法,包括基于等效电路模型、电化学机理模型和神经网络模型的估计方法,最后搭建锂离子电池实验平台,进行锂离子电池特性测试。随后,构建二阶RC等效电路模型,采用带遗忘因子的最小二乘法进行模型参数的在线辨识,为解决扩展卡尔曼滤波（Extended Kalman Filter,EKF）不能很好地适应电动汽车动力电池在行驶中受到复杂多变噪声干扰和SOC、SOH、SOE三种电池重要状态的联合估计问题,构建DAEKF的状态空间方程,在不同时间尺度下实现基于DAEKF算法的锂离子电池多时间尺度SOC、SOH和SOE在线状态联合估计。最后以18650锂离子电池充放电实验以及电动汽车实际行驶过程进行方法的检验,通过与EKF算法的结果对比表明,基于DAEKF算法的锂离子电池SOC、SOH和SOE状态联合估计方法能够有效地实现锂离子电池的多状态在线联合估计,具有更好的估计精度和稳定性表现。为进一步地提高锂离子动力电池状态联合估计的精度,尝试构建考虑锂离子电池内部电化学反应机理的长短期记忆（Long Short-Term Memory,LSTM）神经网络模型,再通过所构建的LSTM神经网络模型进行锂离子电池状态联合估计方法研究,并以18650锂离子电池充放电实验以及电动汽车实际行驶过程进行状态估计方法的检验。初步验证结果表明,考虑电化学机理建模的LSTM神经网络模型能够有效地实现锂离子电池的状态联合估计,相较循环神经网络（Recurrent Neural Network,RNN）具有更高的准确性、更好的收敛性和稳定性。与基于DAEKF算法的锂离子电池状态联合估计方法相比,考虑电化学机理建模的LSTM神经网络模型状态联合估计方法具有更高的估计精度和稳定性,特别在实车验证工况下,SOC、SOH和SOE平均估计误差分别降低了2.44%、1.49%、2.30%。