动力电池管理系统（Battery Management System,BMS）是纯电动汽车的核心技术之一。在BMS的各项功能中,电池的状态估计和预测是电池管理的基础和关键,准确的状态估计和预测对保证电池安全高效,提升整车性能和增加车辆续驶里程等具有十分重要的意义,本文以磷酸铁锂电池为研究对象,针对电池的两种状态:荷电状态（State of Charge,SOC）和剩余放电能量（Remaining Discharge Energy,RDE）展开状态估计和预测研究。具体研究工作如下:（1）搭建了电池试验平台,对磷酸铁锂电池进行了各项试验,包括电池容量测试（包括静态容量测试和动态容量测试）、基于传统混合功率脉冲特性测试得到的改进的混合功率脉冲特性测试、开路电压及熵热系数测量试验和工况试验,并使用Matlab和Python等工具得到了静态截止SOC、电池二阶RC模型参数、开路电压和熵热系数的MAP以及不同环境温度下电池的工况数据,为后续电池建模,SOC估计和RDE预测奠定数据基础。（2）分别建立磷酸铁锂电池的电特性模型和热特性模型,其中,电特性模型为常用的二阶RC模型,考虑对磷酸铁锂电池影响较大的迟滞效应;热特性模型基于电池的非稳态导热微分方程,采用简单的单态集总参数热模型,并使用Bernardi产热率方程计算电池的产热率,实现产热率与电池温度的迭代循环。分别对电特性模型参数进行离线与在线识别,对热特性模型参数进行离线识别,离线识别基于改进的混合功率脉冲特性测试所得的数据,在线识别采用带有遗忘因子的递归最小二乘法。在不同温度下对模型精度进行验证,为后续SOC估计和RDE预测奠定模型基础。（3）基于建立的考虑迟滞效应的二阶RC模型,采用经典的自适应扩展卡尔曼滤波算法进行SOC估计,使用简单的移动开窗法自适应更新系统的过程噪声和测量噪声。为进一步提高SOC估计的精度和鲁棒性,提出一种结合卡尔曼滤波与深度学习的联合估计方法,一方面克服扩展卡尔曼算法噪声处理的局限性,降低噪声初始化和更新的困难,并减小线性化造成的误差,另一方面避免深度学习算法繁琐的调参过程。其中,深度学习算法采用循环神经网络中的门控循环单元神经网络,相比于长短时记忆神经网络,进一步简化网络结构。在不同温度下对联合估计算法进行验证,并总结分析4种SOC估计方法的适用情况。（4）分析电池剩余放电能量的影响因素,探索RDE与当前SOC以及未来工况的关联。提出一种间接法,以当前SOC、未来电流和未来环境温度为输入,利用电池剩余化学能减去未来热损耗间接预测RDE,相比于直接法,无需计算全SOC范围内的端电压。在电池温度恒定和持续放电的假设条件下,对间接法进行简化,基于分段平均后的未来放电电流,将RDE的预测简化为计算某些常数的过程,提出一种查表和电池端电压计算的联合方法,用于预测动态截止SOC,并通过当前SOC的自修正实现RDE的闭环预测。在不同温度下对未简化的间接法和简化后的间接法进行精度验证,并和SOC延伸法与直接法进行对比,同时,进一步验证间接法的通用性,最后分析SOC估计精度和RDE预测精度的关系。