随着全球环境和能源问题的日益加剧,电动汽车凭借节能、环保等优点受到了各国政府的广泛关注和大力推广。电池管理系统（Battery Management System,BMS）作为连接电动汽车和动力电池的重要纽带,对其研究成为了近几年的热点。精确的电池荷电状态（State Of Charge,SOC）是BMS制定能量分配、充放电控制等控制策略的重要依据。然而,SOC在车辆行驶过程中无法由传感器直接测得,因此SOC在线估计技术是BMS研究领域中的一个重点和难点。本文以单体三元锂离子电池作为研究对象,基于电池气液动力学模型和扩展卡尔曼滤波算法（Extended Kalman Filter,EKF）,提出了一种电池模型的参数和SOC联合在线估计的方法。主要研究内容如下:分析锂离子电池的内部结构以及工作机理,将气液物理模型参数与电池外特性参数进行类比,将气液模型的充/放气过程和搁置过程分别对应电池的充/放电过程和静置过程。根据上述过程中的理想气体状态方程、溶解度平衡方程和伯努利方程推导出了含温度输入的电池充/放电条件下的开路电压（Open Circuit Voltage,OCV）估计公式,并对两种条件下的OCV表达式进行了统一表示。利用混合脉冲动力特性测试（Hybrid Pulse Power Characteristic,HPPC）和遗传算法对模型参数进行离线辨识。为了解决模型因参数在不同条件下发生变化导致估计精度降低的问题,提出了一种基于EKF的模型参数在线辨识方法,之后将模型参数在线辨识方法和SOC估计方法相结合,构建了一种模型参数和SOC联合在线估计方法。在四种标准测试工况下对SOC估计结果的准确性进行验证。根据动力电池实际使用工况的特点,构建了一种复合工况并在该工况下对SOC估计结果的有效性进行了验证。验证结果表明,该估计方法对不同工况条件具有很强的适应性。从四个方面对本文提出的估计方法的影响因素进行了研究,包括采样频率、初始输入误差、电流噪声以及电池温度对SOC估计结果的影响。研究结果表明,该估计方法具有在线估计精度高、快速消除初始误差、适于稀疏采样、不同温度条件等特点,为研发先进的BMS提供理论参考和技术支持。