近些年来新能源汽车得到了大力发展,锂离子电池因具有较高的能量密度和较低的自放电率,成为电动汽车中广泛使用的储能装置。然而电池作为一个复杂的电化学装置,在实际应用中常表现出较强的非线性特性,如何对电池状态信息和剩余寿命进行准确估计,对电动汽车电池设计制造、能量策略制定和安全使用有着重要意义。本文针对电池管理系统中两个关键问题荷电状态(State of Charge,SOC)估计和电池剩余使用寿命(Remaining Useful Life,RUL)估计展开研究。电池SOC估计中,综合考虑电路模型估算精度和计算复杂度,选用一阶Thevenin电路模型对研究中锂离子电池进行建模,并采用带遗忘因子的最小二乘方法对电池模型中的参数进行在线辨识;电池RUL估计中,通过对电池循环充放电数据分析,选用双指数模型对电池的老化现象进行模拟。SOC估计中常用滤波算法多为卡尔曼(Kalman Filter,KF)及其扩展方法,然而对于非线性和非高斯噪声条件下的系统状态估计问题,卡尔曼类方法无法进行求解,因此本文针对所选用的动力锂电池,采用粒子滤波(Particle Filter,PF)算法同时运用扩展卡尔曼(Extended Kalman Filter,EKF)和无迹卡尔曼(Unscented Kalman Filter,UKF)方法作为对比,结合实时辨识的模型参数和固定模型参数对电池SOC进行估计,实验结果表明PF算法估计SOC时精度高于EKF和UKF算法,在对SOC估计要求较高条件下,模型参数动态变化不可忽略。针对PF算法迭代计算过程中存在的粒子退化现象,分别采用EKF和UKF作为改进后扩展粒子滤波(Extended Particle Filter,EPF)和无迹粒子滤波(Unscented Particle Filter,UPF)方法中的重要密度函数对粒子进行更新,结果表明改进后的EPF和UPF算法对SOC的平均估计误差分别为0.71%、1.09%,小于PF方法得到的平均估计误差1.36%,有效抑制了PF方法中的粒子退化。对锂离子电池老化机理进行分析后,选用电池容量作为衡量电池老化状况的指标来进行RUL的估计,并规定电池实际可用容量衰减至额定容量80%时作为其失效阈值,采用人工鱼群算法对PF算法中的粒子进行更新,并结合马里兰大学CALCE中心提供的电池循环数据对此方法进行验证,结果表明随着实际可用观测数据的增多,估计结果不断逼近真实失效阈值对应的循环次数,同时,改进后PF算法相比PF算法在相同预测起始时刻时,有着更高的估计精度。