由于使用化石能源所产生的环境污染越来越严重以及它的日益减少,电化学储能系统成为了代替它的重要备选能源之一。在电化学储能系统中,三元锂离子电池依靠着其耐久性、稳定性、低成本、对环境影响小等优点,受到了广泛的关注而应用于汽车动力电源上。其中对锂电池相关状态指标的研究是新能源汽车中电池管理系统中非常关键和基础的部分。在电池状态中,SOE（State of Energy）表示电池当前可用剩余能量,它的研究对汽车剩余里程的估计以及电池的优化管理具有重要的意义。SOH（State of Health）则表示电池当前的健康状态,随着电池健康状态的逐渐降低,容量越来越小,因此对电池SOH的估计直接关系到电池的使用寿命。本文以锂电池SOE和SOH估计算法为研究中心,主要进行了以下工作:（1）三元锂离子电池模型的建立及其参数辨识。本文首先针对电池实验的平台进行了简单的介绍,然后分别在0℃、25℃以及40℃下进行了电池SOE-OCV实验特性研究。结果表明在不同的温度下,SOE-OCV的曲线误差随着SOE的值越来越大而越来越小,它的建立为电池模型的参数辨识和电池的状态估计奠定了基础。接着为了模拟汽车实际运行的情况,引入了多种动态工况来研究电池的动态特性。完成上述实验流程后,本文根据电池的充放电特性建立对应的等效电路模型,通过对不同电池模型的优缺点比较,发现二阶RC模型具有运算方便和能较好的反应电池特性等特点,因此选择它作为本文锂电池的等效电路模型。建立好电池模型后,在电池的脉冲实验条件下,通过模拟退火法（Simulated Annealing,SA）进行电池参数的离线辨识。实验结果表明端电压最大误差为93m V,平均误差不到6m V。然而标准SA过程辨识的参数过多,耗时较长。因此本文提出一种改进的SA,通过对辨识方程的优化和退火参数的控制,实现更为简易的辨识过程,虽然辨识的端电压最大误差和平均误差相对于标准SA偏高,但是耗时要明显降低。（2）粒子滤波理论推导和电池SOE的估计。本节的内容首先从概率学和统计学的角度引出了贝叶斯滤波,针对贝叶斯滤波处理非线性系统过程中存在的复杂积分问题,利用蒙特卡洛的方法,给出了在连续随机系统的粒子滤波（Particle Filter,PF）推导过程。基于锂电池非线性特点,本文采用标准PF在UDDS动态工况下来进行电池的SOE在线估计,实验表明在初始SOE误差为5%的情况下,标准PF估计的SOE平均误差是5.7%,然后增加粒子数进一步验证,结果平均误差减少了1%,并没有明显改善。考虑原因,可能是先验粒子的质量较差,故采用辅助粒子滤波（AVPF）的方法,这种方法通过结合端电压观测值改善先验粒子的质量。实验结果表明,平均误差减小至3.65%,误差随着时间的推移最终收敛至接近1.5%。分析粒子滤波过程可知,增加粒子数和改善先验粒子无法解决滤波后期粒子退化问题,因此又采用一种智能优化算法-模拟退火粒子群粒子滤波（SA-PSOPF）实时更新后期粒子,改变其单一性的特点,从而提高SOE估计的准确度。将该方法在和标准PF相同的动态工况下进行实验验证,平均误差为2.5%,误差随着时间的推移最终收敛至接近0.5%,结果证明确实取得了较好的估计精度。（3）电池SOE和SOH的自适应联合估计。上一节针对SOE估计的内容是在标准PF及其改进PF的研究下进行的,但是存在的问题也较为明显,误差收敛效果不够好,收敛时间长等。考虑这些问题,本文从粒子数自适应和噪声方差自适应的角度引出自适应粒子滤波（APF）来解决。基于此算法在三种动态工况下进行实验验证,结果对比标准PF及其改进算法,自适应性粒子滤波在3000秒左右使得SOE估计误差稳定在1%左右,符合工程实际的应用。在SOE估计的过程中,随着时间的变化,电池的健康状态也会发生变化,这也会影响SOE估计的精度和误差稳定收敛时间。因此进一步在APF基础上,提出SOE与SOH联合估计模型。在相同的三种动态工况下进行实验验证,实验结果表明,相比于单粒子PF,联合估计减少了误差稳定收敛的时间,平均不到200秒。同时在SOH的估计算法中,实现了均误差在5%左右浮动。