近年来,新能源汽车产业蓬勃发展,我国新能源汽车三电技术已处于世界先进水平。对于动力电池来说,迫切需要开发稳定可靠的电池管理系统,实时监控电池状态信息,确保电池的使用安全,并延长电池使用寿命。但是电池的状态信息无法直接测量,如荷电状态、健康状态、内部温度状态等。因此,准确估计电池状态信息对于电池管理系统而言极其重要。本文主要对电池荷电状态和最大可用容量的估计进行研究,具体工作如下:（1）针对磷酸铁锂电池单体及模组的建模问题,综合考虑模型精度和复杂度,选用一阶RC模型建立单体模型,在此基础上结合集总参数模型结构,建立串联模组模型,并基于带遗忘因子的递推最小二乘法在线辨识模型参数。通过比较单体模型及模组模型的端电压估计结果,验证了模型精度以及在线辨识方法的有效性。（2）针对模组在复杂工况下的荷电状态估计问题,提出基于融合式算法的估计方法。采用单一的安时积分法估计荷电状态时,对初始误差无修正作用且估计精度易受影响;采用单一的自适应扩展卡尔曼滤波算法估计荷电状态时,估计精度依赖于模型精度,然而在恒流工况下,在线辨识的模型参数存在数据饱和现象,导致模型精度下降,进而影响了荷电状态估计精度。所提出的融合算法能够弥补上述不足,当电池处于恒流充放电或静置工况时,采用安时积分法估计荷电状态;当电池处于动态工况时,采用自适应扩展卡尔曼滤波算法估计荷电状态。验证结果表明,该算法在复杂工况下的具有较高的估计精度和鲁棒性。（3）针对单体的荷电状态和容量联合估计问题,在多时间尺度下基于双自适应扩展卡尔曼滤波算法的荷电状态和容量联合估计方法。考虑到容量是荷电状态估计算法中的重要参数,且容量易受温度、电池使用时间及循环次数等因素影响,为提高荷电状态在全寿命周期内的估计精度,需定期更新容量,将荷电状态和容量进行联合估计。为降低算法复杂度,使用多时间尺度架构,在微观时间尺度下估计荷电状态,在宏观时间尺度下估计容量。验证结果表明,双自适应扩展卡尔曼滤波算法均能够准确估计电池荷电状态和最大可用容量,且表现出良好的鲁棒性。