在新能源和新能源汽车迅速兴起的今天,新能源汽车正逐渐成为人们日常出行代步工具的首选。锂电池因其具备了高能量密度、长循环寿命和环保等优势,在电动汽车动力电池方面得到了广泛的应用。电池的荷电状态（SOC）和健康状态（SOH）是衡量电池续航和寿命的重要指标。对其实时准确的估计分析,是进行锂电池充放电管理以及对电动汽车的电池系统优化管理的重要环节。为解决容量衰减变化和模型参数时变所致的电池SOC估算精度差以及相关状态和参数量变化时间尺度不一致问题。本文搭建了锂电池测试平台,以18650三元锂电池为研究对象,通过对比分析当前常用等效电路模型,选择具有二阶RC回路的等效电路模型。通过FUDS和DST两种工况验证了所建立电池模型的准确性和精度。首先利用扩展卡尔曼滤波（EKF）算法和无迹卡尔曼滤波（UKF）算法实现了对锂电池SOC的估算。实验结果表明,UKF算法相较于EKF算法具有更高的SOC估算精度和收敛性。在此基础上提出了基于多时间尺度的双扩展卡尔曼滤波联合算法（DEKF）和多时间尺度UKF-EKF联合算法并引入了容量参与递推。利用所提出的多时间尺度算法对具有慢时间尺度的锂电池参数和容量辨识,以及具有快时间尺度的SOC进行估算。通过DST工况和FUDS工况验证了多时间尺度联合算法在慢时间尺度下的在线参数辨识结果符合锂离子电池的放电特性。由可用容量表征出电池的健康状态（SOH）,对锂电池进行快时间尺度SOC和慢时间尺度SOH的估算。通过FUDS工况和DST工况实验验证,多时间尺度UKF-EKF联合算法具有更好的SOC和SOH估算精度以及更好的鲁棒性,所估算出的容量紧跟真实容量。本研究主要通过多时间尺度联合算法较好的解决了容量衰减变化和模型参数时变所致的电池SOC估算精度差问题,以及相关状态和参数量变化时间尺度不一致问题。通过划分模型参数和电池状态的快慢时间尺度减小了系统的运算量。实现了双时间尺度的电池模型参数在线辨识和SOC与SOH联合估算,为电动汽车电池管理系统（BMS）提供了一种更加精准的估算锂电池SOC的方法。