大力发展电动汽车是能源发展战略上的重要举措。锂离子电池作为电动汽车的主要动力来源,其电池管理系统（BMS）是监测并判断电动汽车工作状态的核心环节。锂电池的荷电状态（SOC）估计是BMS的重要组成部分,研究高精度的SOC估计为电动汽车良好安全运行提供重要保障。然而,在车辆实际运行中,外界干扰噪声的剧烈变化严重影响到SOC估计精度,精确的SOC估计一直是研究的热点和难点。本文研究了基于模糊分数阶无迹卡尔曼滤波算法的锂电池SOC估计方法。主要内容包括:基于电化学阻抗谱测试,针对传统整数阶模型无法精确地描述锂离子电池内部动态行为的问题,建立了精度更高的锂电池分数阶二阶RC等效电路模型。提出了一种改进的粒子群优化（PSO）参数辨识算法即分数阶PSO算法,该辨识算法在传统PSO算法的基础上,引入了分数阶速率,采用了随机权重作为PSO算法的惯性权重。既加快了PSO算法的收敛速度,又弥补了线性递减权重无法收敛到最佳点的缺陷。在25℃时动态应力测试（DST）工况下,通过进行改进的PSO算法和传统PSO算法辨识结果对比仿真实验,结果表明改进的辨识算法可以有效提高分数阶模型精度。针对传统无迹卡尔曼滤波（UKF）算法在估计锂离子电池SOC时无法实时更新测量噪声协方差的问题,提出了模糊分数阶无迹卡尔曼滤波（FFUKF）算法。该算法既利用了分数阶模型模型精度高的优点,同时将模糊控制器加入了UKF算法当中,实时推理算法估计中存在的测量噪声,对测量噪声协方差进行实时更新,提高了估计精度。通过在美国联邦城市运行工况（FUDS）、北京DST（BJDST）两种动态工况以及在三种温度（25℃、0℃和45℃）下,与分数阶无迹卡尔曼滤波（FUKF）算法和扩展卡尔曼滤波（EKF）算法进行精度验证,结果表明所提出的算法有较高的估计精度和鲁棒稳定性。在传统UKF算法中,还存在着过程噪声的影响,针对FUKF估计算法中无法实时更新过程噪声的问题,提出了自适应模糊分数阶无迹卡尔曼滤波（AFFUKF）算法。该算法可以实时更新算法估计中存在的过程噪声协方差和测量噪声协方差,提高了锂离子电池在实际工况下的SOC估计精度。通过在FUDS、BJDST两种动态工况以及在三种温度（25℃、0℃和45℃）下,与FFUKF算法和EKF算法进行精度验证,验证了所提出算法的有效性和先进性。