大气环境的污染、资源的匮乏和气候的变化是世界能源发展所面临的最大难题,我国人口众多,并且中国人们的生活水平比早些年好很多,汽车成为了家家户户都必须配备的外出产品。作为传统汽车的能量来源,汽油的消耗每年呈增长的趋势,而石油作为不可再生能源,给资源的匮乏程度雪上加霜,所以清洁能源越来越受到人们的青睐。与传统的燃油汽车相比新能源汽车主要以电动汽车为主越来越受到政府的支持和大家的欢迎,而这些电动汽车大多以电池组为整车的能量来源。但是目前,电动汽车电池爆炸,自燃事故经常发生。所以为了使电池组可以使用时间长,并且安全使用,电池管理系统(Battery management system,BMS)的研发工作越来越受到人们的重视。电池管理系统的一大部分就是对电池荷电状态(State of Charge,SOC)的估算,电池荷电状态的准确估算可以延长电池的使用寿命。并且可以提高电池的安全性能,还可以使电动汽车的能源调配合理起来。本课题首先讲到了电池管理系统的几部分内容,国内外一些公司企业对电池管理系统研究发展的现状以及电池荷电状态估算的发展和难点。随后针对几种电池的各种性能参数进行对比,并选定最适合作为电动汽车能源的磷酸铁锂电池为研究对象,根据电池的开路电压与荷电状态的曲线,引入了电压平台期的概念。接下来介绍了几种电池模型,确定神经网络模型来估算电池荷电状态,并确定了神经网络结构以及各种参数。然后,简单介绍了扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无际卡尔曼滤波(unscented Kalman filter,UKF)等,最终选定无际卡尔曼滤波来优化神经网络估算出来的电池荷电状态,并对无际卡尔曼滤波优化SOC过程和结果进行分析。本文基于测量出来的电池的电压、电流和温度,并且利用人工神经网络模型作为电池模型来预测电池荷电状态。因为经过神经网络估算出来的荷电状态与实际偏差比较大,所以采用无际卡尔曼滤波来减小神经网络估算出来的SOC误差,通过磷酸铁锂电池的实验和仿真数据比较证明该方法可以准确估算电池SOC。通过多组真实值和仿真值数据的比较,本课题发现使用神经网络估算出来的SOC在电压平台期的这段时间误差比较大即真实值和仿真值得偏差比较大,随后使用无际卡尔曼滤波对神经网络估算出来的SOC值进行优化之后,仿真值与真实值的偏差非常小,并且更趋于真实值的走向,极大的提高了SOC的估算精度。