动力电池是电动汽车的重要组成部分,其高精度的荷电状态（State of charge,SOC）估计对电池的高效、安全运行具有重要意义,不准确的SOC估计会造成电池过充/过放,并加速性能衰退。然而,锂离子电池所呈现出的强非线性时变特性导致其准确的SOC估计极具挑战。本论文针对车用锂离子电池荷电状态估计开展如下研究内容:（1）开展磷酸铁锂电池在多个温度和多种策略下的充电实验,借助三元锂离子电池的公开数据集,在同一坐标系中分析了两类电池开路电压（Open circuit voltage,OCV）-SOC曲线的变化特点,解释了磷酸铁锂电池电压平台导致SOC估计困难的原因。（2）开发了基于深度学习的三元锂离子电池荷电状态和能量状态联合估计算法,从数学原理角度解释了该方法在电池状态估计应用中的适用性,并利用不同温度、不同动态循环工况、不同材料电池、噪声环境和不同算法对比等多方面验证了所提出方法具有较好的SOC估计精度、鲁棒性和泛化性能。该部分研究结果表明基于放电数据可实现较高精度的三元锂离子电池SOC估计。（3）阐明基于放电数据的深度学习算法在磷酸铁锂电池应用中的局限性,利用两种温度条件下的动态工况数据量化评估所开发模型的SOC估计精度表现,结果表明,利用深度学习算法直接对磷酸铁锂放电数据建模,难以实现高精度的SOC估计。该部分研究结果表明基于放电数据的深度学习算法无法解决磷酸铁锂电池SOC区间段所存在的电压平台问题。（4）基于充电实验数据集,开发以深度学习为核心算法、结合安时积分法的磷酸铁锂电池SOC估计方法,其中深度学习算法用于充电过程最后时刻的SOC估计,该值作为安时积分法的初值实时计算放电循环的SOC实现磷酸铁锂电池的在线SOC估计,并利用五种常见充电策略在三种温度下的实验数据集验证了所提出方法的有效性。该部分研究结果表明基于充电数据的深度学习算法能够有效解决磷酸铁锂电池中间SOC区间段所存在的电压平台问题。