锂离子电池相比于传统电池具有能量密度高,功率性能好等优点,被广泛应用于电动车以及各种储能系统。电池管理系统中最重要的任务就是精确估计当前电池剩余电量的多少,避免造成电池过充或者过放,损坏电池性能或者对用电设备造成影响。而由于锂离子是非线性系统,因此在复杂工况下准确估计电池荷电状态一直具有挑战性。基于模型的锂离子电池荷电状态估计方法具有较强鲁棒性,但是在不同工况下,模型参数会产生偏差,影响估计精度。基于神经网络的估计方法虽然可以获得更高的精度,但是在非训练工况下估计精度仍会降低。针对以上问题,本文将神经网络与等效电路模型结合,并使用扩展卡尔曼滤波优化模型输出值,不仅实现了对锂电池极化电压参数的精确估计,同时在非训练工况下在线估计电池荷电状态也能保持较高精度。完成的主要研究工作如下:首先,研究锂离子电池内部结构及充放电原理。搭建锂离子电池充放电实验平台,并基于HPPC放电工况对锂离子电池内部特性如开路电压、欧姆内阻和极化电压进行研究。通过对不同荷电状态下电池相关参数的变化趋势进行分析,得到20°C恒温下Uocv-SOC曲线和R0-SOC曲线。其次,对基于锂离子电池的等效电路模型和神经网络模型进行分析,并设计一阶等效电路模型与神经网络结合的混合等效电路模型。利用神经网络估计电池极化电压,简化等效电路模型的结构。考虑到极化电压的估计需要参考其历史数据,选择对历史信息具有记忆能力的带外部输入的非线性自回归（NARX,Nonlinear Autoregressive with External Input）神经网路估计电池极化电压。为了简化训练工况复杂度,设计了混合充放电和连续充放电工况训练NARX神经网络。使用DST工况和UN/ECE工况对不同的NARX神经网络进行了电池荷电状态离线估计,并获得了效果最好的网络结构。再次,针对NARX神经网络对输入开路电压精度敏感的问题,使用扩展卡尔曼滤波（EKF,Extended Kalman Filter）对模型的荷电状态估计值进行优化,减小其估计误差,并转换为开路电压输入至模型中估计下一时刻的极化电压,实现在线估计的目的。并在训练工况、DST工况以及UN/ECE工况下验证了该算法的有效性。最后,阐述了锂离子电池实验平台硬件电路组成和代码实现流程。介绍了微控制器、电池端电压、电流采集模块和SPI通信协议的设计以及控制程序的设计思路。