目前,随着储能技术和电动汽车的不断发展,电池管理系统（BMS）的开发与优化变得非常关键。锂电池的SOC估计作为电池管理系统的核心算法,在储能技术和电动汽车的使用领域中占有重要的地位。近年来,国内外已有大量的学者对锂电池SOC估计问题展开了研究。由于单一卡尔曼滤波算法和H∞滤波算法估计结果不够理想,许多学者在卡尔曼滤波算法与H∞滤波算法的基础上做了进一步的改造,因此得到了扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、扩展H∞滤波算法等改进算法。这类改进算法的提出在一定程度上改善了单一卡尔曼滤波算法和H∞滤波算法的SOC估计结果,但由于忽略了历史数据的影响,估计精度和收敛速度仍有待提高。本文针对现有方法未能充分利用当前新息、以及忽略历史数据影响的问题,展开了进一步的研究。具体工作如下:（1）本文基于锂电池的特性进行分析,选取合适的锂电池模型,在适宜的实验条件下对锂电池进行充放电实验,利用脉冲放电实验法完成了锂电池的参数辨识,为锂电池的SOC估计提供较好的前提。（2）经典H∞滤波算法（HIF）用于锂电池荷电状态（SOC）估计时,往往忽略历史数据的影响,导致估计误差增大。为了提高SOC估计的精度,针对历史数据的影响,本文提出了一种扩展指数加权移动平均H∞算法（EE-HIF）。通过设计高斯函数,对数据在不同时间点进行加权,有效减少了不精确的锂电池模型导致估计误差增加的问题,同时在算法的收敛速度方面也有了明显的提升。此外,进一步验证了系统模型误差增加时,所提方法的优越性。仿真结果表明,与HIF算法、指数加权移动平均H∞算法（EWMA）相比,EE-HIF算法在估计精度、收敛速度等方面都具有明显的优势。（3）由于锂电池系统中含有时变参数和统计特性未知的噪声,现有的SOC估计方法很难兼顾估计精度和鲁棒性。本文结合卡尔曼（KF）滤波算法前期估计精度较高和H∞（HIF）滤波算法鲁棒性较好的优势,提出一种基于多新息的混合Kalman/H∞（MI-KFH）滤波算法,充分考虑当前新息和历史信息,选择适当的权重实现联合估计,有效提高SOC估计精度和鲁棒性。通过仿真表明对于系统模型中含有未知噪声的情形,MI-KFH综合了基于多新息的卡尔曼滤波算法（MI-KF）和基于多新息的H∞滤波算法（MI-HIF）的优势,具有更高的估计精度和更好的鲁棒性。