近年来,随着能源的过度开采和消耗,世界能源短缺和环境污染越来越严重,为了应对这一问题,各国积极开展纯电动汽车汽车的研究。动力锂电池作为纯电动汽车的最佳核心储能动力源,其关键技术的发展远远不能满足纯电动汽车的需要,严重制约了纯电动汽车的发展,其中,影响电动汽车能量管理系统了两个重要指标主要有两个,一个是动力锂电池荷电状态(State of Charge,SOC),另一个是健康状态(State of Health,SOH),准确的估计SOC和SOH可以提高电池的安全性及使用寿命,同时使得电动汽车获得更优的性能。因此,本课题以车用动力锂电池为研究对象,针对锂电池SOC和SOH估计方法展开研究。首先,建立动力锂电池模型及参数辨识。经过对比现有的电池模型,选择二阶RC等效电路模型作为锂电池模型,辨识其模型参数,包括开路电压与SOC的关系函数,电池的内阻,RC网络参数等。并且根据实验数据对比,验证模型的有效性。其次,基于滑模观测器的锂电池SOC估计设计及仿真验证。为了降低动力电池模型误差,提高SOC估计算法的抗干扰能力以及SOC估计精度,在滑模观测器的基础上加入H∞滤波算法,设计基于改进滑模观测器方法的SOC估计算法,该方法通过实时更新SOC估计误差协方差矩阵,进而调节观测增益矩阵,进而提高估计精度。然后,基于小波-粒子滤波的锂电池SOH估计设计及仿真验证。为解决因模型的不确定性导致估计精度降低的问题,提高估计算法的运算速度,基于粒子滤波算法,采用小波变换思想对粒子权重进行分解,进而去掉重复及无关粒子,该方法既能保证估计精度,同时提高估计算法的速度。最后,基于扩展卡尔曼滤波(Extend Kalman Filter,EKF)的SOC和SOH联合估计设计及仿真验证。由于单一的估计忽略了SOC和SOH的关系,针对锂电池SOC和SOH联合在线估计问题,从而导致不精确的SOC值会使SOH的估计受到影响,因此,本文提出一种基于联合估计算法的SOC和SOH估计方法,此方法不受SOC初值的影响,从而提高估计精度。