近年来,随着“双碳”目标的提出,电动汽车行业发展非常迅速。电池是电动汽车的动力来源,电池的荷电状态（State of Charge,SOC）指电池的剩余电量,反映车辆的续驶里程;电池的剩余使用寿命（Remaining Useful Life,RUL）用来评估电池的剩余使用价值,并及时提醒用户更换电池,本文对锂电池的SOC估计和RUL预测进行了深入研究,具体的研究工作如下:（1）基于二阶RC等效电路模型,开展了参数辨识相关研究。基于参数估算器工具箱进行离线辨识,对比二阶指数拟合法,提高了离线辨识的精度,但参数估算器工具箱法不能用于在线辨识,采用遗忘因子递推最小二乘法（Forgetting Factor Recursive Least Squares,FFRLS）进行在线参数辨识,解决了传统参数辨识中噪声能量的干扰。实验结果证明:基于FFRLS法对模型参数在线辨识有很高的精度,可以实现模型参数的在线更新,保证了参数的实时性和准确性。（2）从容积卡尔曼滤波（Cubature Kalman Filter,CKF）估计SOC的角度入手,开展了SOC估计相关研究。提出自适应平方根容积卡尔曼滤波（Adaptive Square Root Cubature Kalman Filter,ASRCKF）的SOC估计算法,解决了传统CKF算法误差协方差矩阵的非正定性和噪声自适应问题,并基于多时间尺度,提出FFRLS-ASRCKF进行参数辨识和荷电状态联合估计,提高了SOC估计的精度。在HPPC和UDDS工况下进行算法验证,实验结果证明:提出的FFRLS-ASRCKF算法精度更高,平均绝对误差仅为0.61%,对不同的SOC初值,不同的模型参数都有良好的适应性,大幅度提高了算法的鲁棒性。（3）针对锂电池剩余使用寿命预测问题,开展了基于数据驱动模型的RUL预测算法研究。提出一种全局搜索策略的鲸鱼优化算法（GSWOA）,GSWOA算法能够快速并且准确地找到目标函数的最优参数,将门控循环单元（GRU）模型作为目标函数,实现GSWOA寻优算法和GRU预测模型的组合。本研究采用GSWOA-GRU模型进行RUL预测,考察不同预测起点、不同类型电池对于RUL预测的影响。采用美国国家航空航天局的电池老化数据进行验证,对比GRU、PSO-GRU、WOA-GRU等算法,实验结果证明:基于GSWOA-GRU算法精度更高,B07号电池的平均绝对误差为0.4%,预测起点提前预测精度几乎不变,预测范围更广,稳定性更高。图[90]表[17]参[77]