大规模发展电动汽车是我国应对环境能源危机、推动绿色发展的战略举措,也是实现“碳中和”和“碳达峰”的有力保障。在国家政策的强力扶持下,电动汽车产业迎来了重大发展机遇。动力电池作为电动汽车的主要储能部件,其性能直接影响车辆的动力性、安全性和续驶里程。目前,锂离子电池因具有高比能量,无记忆效应和长寿命等优点而被广泛应用于电动汽车领域。为保障电池系统的安全可靠运行,智能高效的电池管理系统（Battery Management System,BMS）必不可少。BMS通过监测电池的电压、电流、温度等基础信息,实时估计电池运行状态,并实现电池均衡、充放电管理和故障诊断等功能,已成为相关领域的研究热点和技术开发的难点。电池荷电状态（State of Charge,SOC）和健康状态（State of Health,SOH）估计是电池管理系统的核心任务,也是电池充放电控制、寿命监测及整车能量管理的关键依据。然而,受电池老化、环境温度以及自身复杂电化学特性等因素的影响,准确的电池建模及SOC和SOH等状态估计仍颇具挑战性。为此,本文主要在以下几方面展开研究工作:针对电池模型环境适应性差的问题,本文首先构建了锂离子电池电热耦合模型,并分别辨识了模型的电气参数和热参数。进而,针对传统的热模型参数测量方法测试周期长、测试设备昂贵的问题,提出了一种基于放电温升曲线的电池热模型参数快速辨识方法。该方法仅需一组不同倍率的恒流放电实验,即可在短时间内获得足够的实验数据,大幅缩短测试周期。最后,采用不同温度的动态工况验证所建模型及参数辨识方法的准确性。实验结果表明,在0℃～40℃范围内,模型电压均方根误差小于31mV,温度均方根误差小于0.7℃,可在不同环境温度下全面、准确地描述电池电、热特性。电池荷电状态SOC表示电池的剩余电量,其准确估计是电池管理系统的核心算法。本文基于已构建的动力电池电热耦合模型,提出基于强跟踪粒子滤波的电池SOC估计方法,实现不同温度下SOC准确估计;考虑到电池运行是一个电热特性相互耦合的过程,过高的充放电功率可能引起电池过热,进而导致电池寿命加速衰减甚至引发安全事故,故引入电池温度作为峰值功率（State of Power,SOP）的重要约束条件之一,综合电池温度、电压、SOC等多参数约束实现电池峰值功率准确预测。最后,在不同温度及动态工况下开展实验研究,验证状态估计算法的有效性。实验结果表明本文提出的估计方法可在宽温度范围内准确估计电池SOC,并在高温状态下有效控制电池充放电功率,提高了电池使用的安全性。针对电池老化后状态估计精度低,尤其是电池SOH估计受温度干扰大的问题,本文提出了一种考虑温度和老化影响的电池SOC和SOH联合估计方法。首先,提出了一种离线和在线相结合的动力电池模型参数辨识方法,保证模型适应性的同时大幅降低了在线计算复杂度。进而,采用自适应无迹卡尔曼滤波方法同时估计电池SOC和容量。然后,基于人工神经网络构建电池SOH与电池容量和温度的耦合关系,有效克服了温度对SOH估计精度的影响。最后,通过在不同温度和老化状态下的动态工况测试验证所提联合估计方法的有效性。结果表明,该方法可在不同温度和老化状态下实现电池SOC和SOH的准确估计,估计结果的均方根误差分别小于1.2%和2%。针对退役电池一致性差、SOH估计效率低的问题,提出了一种基于放电电流比例的退役电池SOH快速估计方法。首先,基于电池并联分析模型,构建了电池在并联状态下放电电流分布与电池容量之间的对应关系,进而根据这一对应关系,实现在一个放电周期内同时估计多个单体电池容量同时估计并确定电池SOH。然后,设计了相应实验装置对所提方法进行验证,实验结果表明该方法可行、准确、高效。最后,利用三种不同类型电池的实验结果,分析开路电压、电池参数和放电倍率对SOH估计精度的影响。综上所述,为了实现锂离子动力电池全生命周期安全高效管理,本文分别在电池电热耦合建模与参数辨识,多状态估计以及退役电池健康状态快速估计方面取得突破,提出了一套实用且高效的理论方法,为动力电池安全高效管理提供理论和方法支撑。