电池管理系统（Battery Management System,BMS）是电动汽车动力电池系统的核心组成部分,准确估计电池的状态是BMS的重要功能之一。荷电状态（State of Charge,SOC）和健康状态（State of Health,SOH）是保障电池系统安全运行的关键指标,实现电池系统准确的状态估计有利于电池寿命优化研究并保障电动汽车安全驾驶。首先,本文对现有的估算电池荷电状态、健康状态的方法做了回顾。电池健康状态的估计在现阶段存在耗时较长、运算较为复杂、且不便于在线估计等问题。其次,介绍锂离子电池原理以及电池SOH的相关定义,分析影响电池老化的相关因素,介绍本文使用的实验平台以及电池循环寿命实验流程。其次,本文分析了锂电池老化衰减的原理和电性能特征,提取影响电池老化的特征量,明晰了电池健康状态与电池SOC的耦合关系,通过电池动力应力测试工况（Dynamic Stress Test,DST）实验验证提出算法在估算SOC时的有效性。提出了一种基于支持向量机的锂离子电池健康度的在线估计方法,并通过基于数据驱动的方法来实现电池荷电状态及健康状态的预测,该方法避免了大量的参数运算,且获得了较好的预测精度,但所述算法的计算速度和准确性仍有待提高。再次,针对支持向量机（Support Vector Machine,SVM）算法中两个关键参数惩罚参数γ以及内核参数δ需要采用迭代网格搜索的方式来实现最优而导致运算速度慢的问题,本文采用粒子群算法（Particle Swarm Algorithm,PSO）优化支持向量机（PSO-SVM）算法实现电池健康度的预测。通过粒子之间的合作与竞争寻找最优的两个关键参数,仿真及实验表明,改进算法具有较高预测精度及更快的计算速度和更好的全局搜索能力。最后,为提高PSO-SVM算法的SOH预测稳定性的问题,本文引入了集成学习Ada Boost算法优化PSO-SVM回归模型（APSO-SVM）,将多个弱学习器组合构建成强回归器,通过风险分散化的方式解决单一学习器（PSO-SVM）估算电池健康状态时出现的某一时刻误差较大的问题。仿真与实验分析表明,该方法具有良好的数据适应性与精度。本文提出的方法可以简化相应的公式推导,加快运算收敛速度,且该算法具有较好的样本适应性、可靠性,在电动汽车电池组BMS在线检测研究中具有一定的应用意义。