锂电池由于能量密度高、使用寿命长而被广泛用于各种储能系统中。电池荷电状态（State of Charge,SOC）表示电池剩余可用容量占总容量的百分比,是电池能量管理的重要依据。电池SOC通常依赖电池模型进行估计,而电池模型参数会随着负载、温度等发生变化。为准确地估计SOC,需要进行电池模型参数和SOC的联合估计。由于在线数据随工况难以保证持续激励条件,基于传统的指数遗忘递推最小二乘的联合估计算法存在参数估计值发散,SOC估计精度下降的问题。因此,本文研究了考虑非持续激励下联合估计算法。主要研究工作如下:针对非持续激励条件下指数遗忘递推最小二乘算法出现参数发散的原因,提出了自适应方向遗忘递推最小二乘算法（Adapative Directional Forgetting Recursive Least Squares,ADFRLS）,解决了激励信号在参数空间分布不均和参数变化速率不同的问题。本文利用斜投影将ADFRLS算法推广到了多输出时变系统的辨识问题,并证明该算法在非持续激励条件下的参数估计误差有界。将上述自适应方向遗忘算法应用于锂电池等效电路模型参数在线辨识中。通过将辨识噪声建模为一阶有色噪声,提出自适应方向遗忘扩展递推最小二乘（Adapative Directional Forgetting Extended Recursive Least Squares,ADFERLS）算法辨识模型参数。在含有非持续激励的条件下的仿真实验表明,ADFRELS算法能够有效追踪真实参数变化。将上述ADFRELS算法与扩展卡尔曼滤波器结合用于联合估计。在四种动态工况下的实验结果表明,相比于基于指数遗忘递推扩展最小二乘算法与扩展卡尔曼滤波的联合估计算法,基于ADFRELS的联合估计算法能获得更准确的模型参数和SOC估计。