近年来,能源与环境问题愈演愈烈,原油、煤、天然气等不可再生资源的迅速耗费,使得可再生能源的普及和使用极受到人们关注,在燃料紧张和污染问题的压力下,新能源汽车发展气势迅猛,动力电池作为提供电能的设备,为汽车提供动力。锂离子电池工作电压高、循环寿命长、比能量高,因此在新能源汽车中扮演着重要的角色。为保障新能源汽车的正常运行和安全,电池都会配置电池管理系统（Battery management system,BMS）,电池管理系统中荷电状态（State of charge,SOC）的估计和循环寿命的预测一直以来都是社会与高校所研究的热点和重点,存在广泛的研究空间,本文分别从SOC估计和循环寿命预测两方面展开,在现有的一些研究基础上,继续探索和改进。本文首先以电池管理系统中的重要影响因素,荷电状态和循环寿命为出发点,阐述了国内外锂电池电池建模以及SOC估计、循环寿命预测的研究现状。本文研究对象是磷酸铁锂电池,并分析了锂离子电池的生热机理和传热特性,探究了传热速率方程,为电池动态热模型的建立奠定基础。其次,提出了一种考虑环境温度影响的改进动态热模型,考虑电池的热效应,在受SOC和环境温度耦合的动态模型参数的影响下,模型鲁棒性得到大幅度提高,考虑温度影响的双极化动态热模型的电压值能很好的跟踪测量值,从而为准确估计SOC提供支撑;然后,基于所建双极化模型,运用扩展卡尔曼滤波算法（Extended Kalman filter,EKF）对锂电池SOC进行评估,探究了不同温度对SOC评估的影响。结果表明,温度因素是影响电池建模和电池SOC估计的重要因素,且本文的基于模型的SOC评估方法的计算精度较高,对于温度变化问题具有更好的SOC估计能力,为复杂温度条件下的SOC评估提供一定的理论依据。最后,对锂电池的循环寿命开展预测研究,创造性的提出了由飞蛾扑火优化算法（Moth-Flame Optimization,MFO）与BP神经网络算法结合的方式对循环寿命进行预测研究的新方法,选取了NASA公开的电池老化实验数据对该方法进行验证,并将优化前后的BP神经网络寿命预测模型进行对比,结果表明改进的MFO-BP神经网络算法与传统BP神经网络算法相比在预测结果精度和准确度方面都有较明显的提升,且预测结果随历史数据的增多,预测精度会更加准确。