本文设计了一种基于截断奇异值的模糊容积卡尔曼滤波器（Fuzzy Cubature Kalman Filter based on Truncated Singular Value Decomposition,TSVD-FCKF）,并结合在复杂工况及温度变化条件下的锂离子电池荷电状态（State Of Charge,SOC）估计对算法进行验证。本文研究内容的具体工作如下:1.研究面向模型参数不确定情况下的鲁棒滤波算法。本文对基于奇异值分解的容积卡尔曼滤波（Cubature Kalman Filter based on Singular Value Decomposition,SVD-CKF）算法进一步研究,发现在SVD分解过程中较小的非零奇异值对噪声很敏感,容易导致滤波器鲁棒性不佳。对此,本文设计了基于截断奇异值的容积卡尔曼滤波器（Cubature Kalman Filter based on Truncated Singular Value Decomposition,TSVD-CKF）,通过对较小的奇异值进行截断来增强算法的鲁棒性,从而使估计结果更稳定,实现了算法对目标状态的鲁棒估计。2.设计TS模糊控制器来调节噪声对滤波收敛速度的影响,该方法将测量信息的残差及其变化率作为输入量,采用基于TS模型的模糊控制,通过对测量噪声协方差的修正,实现了当测量噪声较大时降低本次测量信息对卡尔曼增益的影响,从而达成了滤波器对未知噪声的快速自适应,提升其收敛速度,进而达到了提升状态估计精度的目的。将TS模糊控制器与TSVD-CKF结合,形成了本文设计的TSVD-FCKF算法,最后针对本文应用设计了基于TSVD-FCKF算法的IMM（Interacting Multiple Model,IMM）估计方法并给出具体的计算过程。3.应用基于TSVD-FCKF算法的IMM估计方法完成了在复杂工况及温度变化条件下对锂离子电池荷电状态的估计。首先给出本文实验对象的数学模型及模型参数的辨识方法,然后进行锂离子电池的基础性能测试。最后,使用两组不同老化程度和温度的电池数据,通过将算法得出的估计值与真实值作比较验证了该算法的有效性,并通过对照实验验证了算法的优势。结果证明,基于TSVD-FCKF的算法在模型参数不确定及噪声统计特性未知的情况下,能够实现对目标状态的鲁棒快速估计。