电池组使用过程中考虑电池老化问题是对其实现可靠的安全监控关键问题之一。这就需要一套系统能够完高效的成此项任务,电池管理系统（Battery Management System,BMS）应运而生,荷电状态（State Of Charge,SOC）是电池管理系统管理电池组的一个重要参考之一。考虑电池老化因素的锂离子电池SOC的准确估计是BMS监控电池组全生命周期运行状态的关键参数。本文对锂离子电池SOC估计问题进行研究,主要包括:首先,分析了锂电池老化的原理和工作特征,设计相关锂电池的不同倍率充放电实验、电池加速老化实验等。对锂电池进行特性实验,测定标准电流工况下的电压-容量曲线,进行不同放电倍率下电池放电容量实验并标定库伦效率,同时进行电池老化实验得到了电池容量衰减数据,为电池等效模型参数辨识和SOC估计提供数据支持。其次,分析发现电池在循环充放电过程中,利用初始实验数据辨识得到的电池电化学模型精度不断下降,使SOC估算精度误差增大,而利用AEKF算法,同时考虑老化数据对模型参数进行修正,减少由于电池老化所带来的电池SOC估算精度偏差的增大情况,SOC估算方法主要包含:1)为解决因电池老化等因素而带来的电池参数漂移,从而导致电池模型精度下降的问题,除了采用最小二乘法对模型参数进行精确地辨识之外,还需加入基于电压曲线积分的参数辨识和自适应更新噪声的均值和方差等环节。2)为便于对比本文估计SOC分别采用扩展卡尔滤波算法（Extend Kalman Filtering,EKF）与自适应扩展卡尔曼滤波（Adaptive Extended Kalman Filtering,AEKF）;与EKF相比,自适应滤波算法的AEKF算法能自动调整噪声方差,进一步降低由于电池老化导致模型参数漂移使SOC估计精度降低的问题。实验结果表明,在电池SOC估计精准度方面AEKF算法要优于EKF算法。最后是搭建硬件平台实现算法的硬化,并进行多工况实验验证算法的有效性。实验表明,本文所设计的BMS可以满足串联电池组SOC估计精度要求。