荷电状态（State of Charge,SOC）是表征锂离子电池当前工作能力的状态值,精确的SOC估计可以防止电池工作过程中的过充放,让电池在安全区间内高效率运行,从而提升电池的使用寿命,降低安全风险。卡尔曼滤波类算法是一种基于电池模型的SOC估计方法,针对扩展卡尔曼滤波（Extended Kalman Filter,EKF）电池模型精度不足、系统线性化误差以及对噪声协方差矩阵优化不足的问题,提出了一种以分数阶等效电路模型（Fractional order equivalent circuit model,FOECM）为底层电路,基于边界自适应人群搜索算法（Boundary adaptive seeker optimization algorithm,BASOA）融合迭代扩展卡尔曼滤波（Iterative extended Kalman filter,IEKF）的SOC估计方法,即BASOA-IEKF。本文从电池模型和估计算法两方面开展研究工作,具体内容如下:（1）搭建测试台架对所选用三元锂离子电池进行充放电特性测试和动态工况仿真测试。试验内容包括电池静态特性测试和动态特性测试,其中静态特性测试为多倍率条件下的容量标定试验,用以获得不同放电倍率下电池的容量变化曲线;动态特性测试包括HPPC（Hybrid Pulse Power Characterization,HPPC）特性测试获和UDDS（Urban Dynamometer Drving Schedule,UDDS）工况测试,其中HPPC特性测试数据用于后续电池模型的未知参数辨识,UDDS工况特性测试主要用于电池模型精度以及最终的SOC估计算法精度及鲁棒性验证。（2）针对所用的三元锂离子电池建立整数阶和分数阶等效电路模型。首先对传统整数阶二阶RC等效电路模型进行了改进,用电流控制电压源（Current control voltage source,CCVS）替代了原来的单一电压源,在此基础上为解决上述整数阶等效电路模型（Integer order equivalent circuit model,IOECM）对锂离子电池极化反应描述不足和高阶等效电路模型计算量较大的问题,建立了分数阶二阶RC等效电路模型;然后进行了模型未知参数识别,利用充、放电HPPC特性测试的电压回弹区域提取了取充、放电状态下的两组OCVSOC（Open Circuit Voltage-State of Charge,OCV-SOC）离散数据点,将其进行高阶多项式拟合得到全SOC区间内的OCV-SOC映射关系,采用自适应遗传算法（Adaptive genetic algorithm,AGA）辨识了整数阶和分数阶模型的其余未知参数,最后在HPPC工况和UDDS工况下分别验证了两模型的电压输出精度。（3）分别以整数阶和分数阶等效电路模型为底层电路,结合BASOA-IEKF算法进行三元锂离子电池的SOC估计。首先介绍并推导了EKF和IEKF算法的递推估计表达式,通过试验和仿真分析了不同IEKF迭代步数和噪声协方差矩阵对SOC估计结果的影响。在此基础上,提出利用智能寻优算法对IEKF的噪声协方差矩阵进行优化,介绍了SOA算法原理,针对其存在的搜索数据边界聚集问题和边界固定导致的搜索自由度不足的问题,根据反向学习原理提出了BASOA智能优化算法。最后提出了一种基于BASOA算法优化噪声矩阵的4步迭代IEKF算法,即BASOA-IEKF融合算法,以分数阶二阶RC等效电路模型为电池的底层电路,在静态工况和动态工况下对BASOA-IEKF算法的SOC估计精度及其鲁棒性进行了验证分析。