当前环境污染和能源稀缺问题日益严重,以新能源电池为动力的电动汽车得到了大力推广。其中锂离子电池以其低污染、高能量密度及低成本等优点得到了广泛应用。研究电池管理系统（Battery Management System,BMS）及电池状态对电池安全、高效应用具有重要意义。本文以电动汽车储能系统广泛采用的锂离子电池为基本研究对象,建立改进的戴维南（Thevenin）等效电路模型,重点研究电池荷电状态（State of Charge,SOC）的估计问题。具体研究内容如下。首先,阐述锂离子电池工作的基本原理,基于本课题所用电池,搭建实验平台并设计了容量测试、开路电压（Open Circuit Voltage,OCV）测试及工况测试等实验。其中OCV-SOC实验研究电池的充放电特性,分析电池的迟滞现象并增加相应迟滞实验。进行电池在不同工况下的实验来模拟电池实际应用问题。另外,为研究环境温度对电池的影响,所有实验均在多种温度下进行。其次,为更好研究电池外特性,在原有Thevenin等效电路模型的基础上加入迟滞模块并考虑环境温度对电池参数的影响。基于OCV-SOC实验对电池参数进行离线辨识,搭建MATLAB/Simulink模型,分别将改进模型与不考虑温度和不考虑迟滞效应的模型对比分析,验证所搭建模型的改进效果。阐述扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法基本原理,结合DST工况和US06工况实验数据,利用EKF算法在线辨识电池参数并验证模型准确度。之后,阐述EKF算法估计电池SOC基本原理,考虑开路电压迟滞效应,提出三扩展卡尔曼滤波（Three Extended Kalman Filter,TEKF）算法实现参数辨识和SOC联合估计。为更符合实际应用,加入电流测量噪声,利用TEKF算法估计SOC时有较强的噪声鲁棒性;设置有误差的初始SOC值,验证TEKF算法在初始SOC与真实SOC值存在误差时具有快速收敛性。最后,针对某些情况不需建立电池模型的SOC估计需求,提出基于子种群自适应思维进化算法（Subpopulation Adaptive Mind Evolutionary Algorithm,SAMEA）的SOC估计。描述思维进化算法（Mind Evolutionary Algorithm,MEA）基本原理,提出子种群规模和方差自适应原则,利用测试函数证明SAMEA的可行性,再与误差反向传播（Back Propagation,BP）神经网络相结合估计电池SOC。改变电池验证工况验证算法的工况一致性;利用0℃、10℃、20℃、30℃及40℃下的实验数据训练网络并分别用各温度的数据验证,增加室温下的数据验证SOC估计结果,证明网络具有较好的温度鲁棒性,可用于变温下的SOC估计。