随着电子科学技术的发展和人们生活水平的日益提高，锂离子电池越来越多地出现在各种移动设备和电动汽车上。锂离子电池经常由于过充、过放而发生爆炸，因此电池管理系统(BMS)显得至关重要。电池管理主要包括电池荷电状况(SOC)估计、电池健康状况(SOH)估计和电池均衡等。SOH是BMS需要监控的电池关键参数之一，准确的SOH估算能够帮助人们在系统安全性和经济效益之间取得更好的平衡。SOH不能通过直接测量的方式得到，目前主要使用的间接估计方法包括完全放电法、基于神经网络的算法和基于卡尔曼滤波器的算法等。本文首先详细介绍了几种常用的SOH估计方法，并对比分析了它们在电池SOH估算方面的优缺点。接着，结合实际应用情况，本文将SOH归纳为“很新”、“新”、“一般”，“旧”和“很旧”五个阶段，并在此基础上提出了基于动态贝叶斯网络(DBN)的电池SOH估算方法。DBN模型的结构是根据以往的经验人工构建的，而模型的参数则是通过电池老化实验中获得的数据学习得到的；本文使用前向算法进行DBN的推理，降低了计算量和计算复杂度，使得通过普通单片机实时估计SOH成为可能。最后，为了验证本文所提出的算法的可行性，我们设计并实现了基于STM32F103VCT6的电池SOH估算系统，实验结果表明，本文所提出的锂离子电池SOH估计算法是可行的。