随着电动汽车产业高速发展,动力电池的装配数量急剧增加,然而动力电池在一定程度的循环次数和额定容量下降到初始值80%后需要退役,如何充分挖掘退役电池的剩余价值,对电池资源合理利用、解决环境污染问题具有重要意义。电池在梯次利用前,需要对电池的健康状态（State of Health,SOH）进行精准估计,及时剔除老化程度较大的电池并使不同老化状态的电池进入对应阶段的梯次利用环境。同时在梯次利用过程中荷电状态（State of Charge,SOC）的精准估算可以提高退役电池利用效率。因此本文以退役三元锂离子电池为研究对象,提出了以建立老化数据库的方式对退役电池进行SOH估计的方法,基于NASA B0005号电池健康状态固定差值建立老化数据库,利用片段数据与老化数据库进行匹配,并采用粒子群优化算法进行求解,从而得到退役电池的健康状态;同时为了解决电池使用过程中变化的噪声对电池荷电状态估计的干扰,使用AUKF算法对电池荷电状态进行估计,具体研究内容如下:（1）首先对退役电池的容量、内阻、电压、充放电倍率等性能指标进行总结性分析,并通过实验数据对电池SOH和SOC估算影响因素进行了探讨,最后综合对比分析了各种电池SOH和SOC估算方法。（2）对退役电池SOH估计问题,提出一种SOH快速预测的方法。该方法根据SOH固定差值构建预测数据库,并利用退役电池的恒流放电片段数据与数据库进行匹配,从而得到电池的SOH。并以单体电池数据建立的老化数据库进行匹配验证,证明提出的SOH估计方法准确且高效。（3）对不同电池模型进行了总结性探讨,在对比了不同电池模型的计算复杂度以及模型精度后,利用精度高、应用广泛的二阶Thevenin模型对梯次利用锂离子电池进行建模。并根据电池的脉冲放电实验数据,对电池模型进行参数辨识。（4）根据建立的电池模型,利用无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法进行SOC估计,结果表明,系统噪声会导致UKF算法对电池SOC估计精度降低。为了降低噪声的影响,利用自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Fi1ter,AUKF）算法,该算法通过引入自适应因子使系统可以实时更新状态噪声以及测量噪声,从而提高系统整体估算精度。并对UKF算法和AUKF算法的估计精度和鲁棒性进行对比,结果表明AUKF算法不仅可以有效解决UKF算法预测波动问题,而且抗干扰能力强,算法运算速度高。