当前传统汽车保有量的快速攀升,加剧了环境污染与资源短缺。电动汽车以锂电池为动力核心,不存在尾气污染,符合节能减排的时代背景,得到了大力推广。电动汽车搭载的电池管理系统（Battery Management System,BMS）可以智能化管理和维护电池单元,实现动力电池在线监测和状态估算等功能。虽然动力锂电池寿命较长,但经过多次使用后,存在容量衰减等老化问题,严重影响电池工作性能。电池健康状态（State of Health,SOH）能够对电池老化程度进行量化,作为BMS的功能核心,对电池老化预警和提高驾驶安全性具有重要意义。当前估算电池SOH的方法大多用于实验室条件下,通过记录电池的充放电循环次数推导出SOH,不适用于实际工况。在生活中,人们通过完全放电法测试电池当前容量,但费时费力,难以满足电动汽车实时监测的要求。因此,本文通过搭建电池模型,选用改进无迹卡尔曼算法（Improved Unscented Kalman Filter,IUKF）估算电池SOH,能够结合实际工况实现在线检测。首先,针对电池动态特性,同时根据各种电池模型的特点,选取二阶等效电路模型模拟电池工作状态。通过对电池进行不同温度下的脉冲测试,引入温度因素,然后辨识出模型中元件参数大小,建立动态电池模型,并利用不同工况验证模型的精度,结果表明电池模型可以满足电池状态估算的要求。其次,鉴于应用无迹卡尔曼算法（Unscented Kalman Filter,UKF）估算电池状态时,存在估算结果收敛速度慢,并且容易受噪声干扰,影响结果精度。提出将改进无迹变换算法和自适应滤波算法融入到UKF算法中,分别对无迹变换和噪声误差进行优化,形成IUKF算法,有利于提高收敛速度和算法精度。通过建立三个算法滤波器,分别将电池荷电状态（State of Charge,SOC）、欧姆内阻和容量三个参数作为状态变量进行估算,实现对模型参数的实时更新,并最终提高SOH的估算精度。最后,通过在Matlab环境下进行仿真,验证了算法的收敛性和在复杂工况下的估算精度。仿真实验表明,与UKF算法相比,IUKF在收敛速度方面有较大改进,而且估算精度更高,可以保持在2%左右。为验证算法在实际应用时的性能,搭建了电池测试平台,对电池进行循环充放电测试。结果表明,IUKF算法在实际工况下也能保持较高的精度和稳定性,具有一定的实用推广价值。