电动汽车的电池管理系统的需要准确了解当前电池组的荷电状态(State of charge, SOC).电池管理系统中的均衡系统以及安全管理系统,都需要使用SOC值判断电池状态以及进行控制策略的设计。而磷酸铁锂电池由于本身特性,其过放电会导致电池产生不可逆转的损伤,过充电会导致电池过热甚至爆炸,因而对电池管理系统提出了更多的要求。但如何准确测量工况下的磷酸铁锂电池的SOC仍然是世界性难题。论文从分析磷酸铁锂电池内部电化学反应开始,通过设置在不同SOC状态,不同电流工况下的充放电实验,测取电池模型SOC-OCV曲线,以及欧姆内阻,浓差阻抗等动态参数,建立出适合用于现代计算机所使用的二阶RC等效电池模型,为下一步SOC仿真提供建立模型。在二阶RC模型基础上,本文在实物设备中实现了扩展卡尔曼滤波SOC估计算法设计,证明该算法在SOC估计系统中的有效性,并分析其在不同工况下表现的差距,提出了目前所使用的经典扩展卡尔曼滤波算法的局限性与不足。针对复杂工况下磷酸铁锂动力电池组SOC估计不准确的问题,本文提出实物电池SOC估计误差主要来源之一是模型误差,特别是在复杂工况下,电池模型误差影响因素会进一步增加。因此本文提出并实现基于模型信息的噪声补偿扩展卡尔曼滤波算法,一种针对电池组工况特性下卡尔曼滤波方法,该算法基于电池组工况放电特性,提取其特征参数并进行模式分类,对扩展卡尔曼滤波模型进行不同的噪声模型数据补偿,实现优化估计。该算法可应用在系统测量噪声模型已知的SOC估计系统中,能有效避免由于多因素所引起的系统状态模型误差而导致的SOC估计发散或矫正性能差的问题。在实际电池系统中,测量噪声模型通常处于未知状态,同时也容易受到外界干扰而变化。此时噪声补偿扩展卡尔曼滤波算法难以收到良好结果。本文使用自适应滤波算法,使得滤波系统能够实现自动跟踪外界噪声模型的变化。同时针对单独的自适应滤波算法在存在SOC初值误差系统的表现较差的情况,结合多模型自适应滤波理念,实现了多模型自适应卡尔曼滤波算法。该算法具有更好的精度与收敛性能,能够适应更复杂的工况条件。