传统汽车的加速普及造成了日趋严重的能源消耗和环境污染问题,电动汽车作为一种环保的交通工具,是未来汽车发展的主流方向。动力锂电池荷电状态（State of Charge,SOC）是电池能量和功率计算的至关重要的状态参数,其估计（或估算）准确性对于优化整车能量控制、防止过充电和过放电、电池安全防护具有重要意义。基于等效电路模型的方法是效果比较好的SOC估计手段。然而,电池等效电路模型的不确定性和外部噪声干扰,是影响SOC估算准确性的重要因素。卡尔曼滤波器是处理随机误差的最优滤波器,然而其估算精度依赖于准确的噪声特性参数,使用不合适的噪声参数将造成大的估算误差。本文主要研究锂离子电池模型参数和SOC同时在线估算的方法。为了实时跟踪电池模型参数,采用一种带有变遗忘因子的递推最小二乘法（Variable Forgettingfactor Recursive Least Square,VFRLS）在线辨识参数。针对传统卡尔曼滤波器对噪声参数过于依赖的问题,使用一种新型的自适应扩展卡尔曼滤波器进行SOC估计。本文的主要工作介绍如下:首先,对电池等效电路模型进行了解析,搭建了电池测试平台,利用试验进行了电池模型参数的离线辨识,采用VFRLS对模型参数进行在线辨识。对两种方法辨识结果的分析表明:在线辨识的方法能更好地跟踪时变的模型参数。其次,介绍了卡尔曼系列滤波器以及自适应卡尔曼滤波算法,针对一阶戴维南模型的特点,采用最大似然估计技术,对扩展卡尔曼滤波器（EKF）进行改进,设计了一种基于先验误差自适应扩展卡尔曼滤波器（Priorio-Error Adaptive EKF,PEAEKF）的SOC估计算法。通过对复杂度的分析表明:所改进的自适应算法具有更低的计算复杂度。再次,将在线辨识算法VFRLS与PEAEKF结合,构造了模型参数和SOC同时在线估计的融合算法。在多个工况下,采用EKF和平方根卡尔曼滤波器（SRCKF）进行SOC估计仿真实验。通过对比各项统计误差发现,相较于EKF和SRCKF,PEAEKF的误差是最小的,在多种复杂工况中绝对误差控制在0.02以内。最后,使用基于模型设计（Model Based Design,MBD）的开发方法,开发了采用所设计的SOC估计算法的软件,烧写到嵌入式系统中进行测试,初步验证了算法的可行性。