近年来,储能技术随着全球新能源发电、电动汽车及新兴储能产业的发展而持续进步。当前的储能技术主要包括抽水蓄能、洞穴式压缩空气储能和电池储能,其中以锂离子电池（简称锂电池）为核心的电池储能技术是目前最具发展潜力的储能技术之一。由于锂电池相比其他电池在能量密度、循环寿命等方面具有更多优势,以锂电池为基础的储能技术开发受到广泛关注。为保证电池使用过程中高效的工作性能及稳定的安全性能,需要通过电池管理系统（Battery Management System,BMS）对电池状态进行监测和估计,其中准确估计电池荷电状态（State of Charge,SOC）是BMS中最基本且最重要的一个环节。磷酸铁锂电池相比于其他锂电池的综合性能更好,是目前应用最为广泛的储能锂电池。本论文以磷酸铁锂储能电池为研究对象,对电池荷电状态估计的整个过程及相关算法进行研究改进:在分析电池特性的基础上建立电池等效电路模型,基于非线性最优化算法实现模型参数的精确辨识,同时提出一种估计精度更高、鲁棒性更强的SOC估计算法—R-AUKF（R-Adaptive Unscented Kalman Filter）算法。论文的主要工作和成果如下:（1）将电池模型中的参数辨识问题转化为非线性最优化问题,通过列文伯格-马夸尔特（Levenberg-Marquard,LM）算法对该最优化问题进行精确求解。为避免最优化算法陷入局部最优解,本文提出一种基于平均思想的RC参数初始值选取方法,同时对最优化模型中的目标函数进行调整,提高求解算法的稳定性。仿真及实验结果表明,该参数辨识方法和参数初始值选取方法可有效保证电路模型中阻容参数求解的精确性、快速性及稳定性。（2）为保证以卡尔曼滤波为基础的SOC估计算法快速收敛,实现SOC的精确估计,本文提出一种依据电池特性参数及充放电数据估算滤波状态初值的方法,使得设定的SOC初值基本接近电池最初的真实状态。通过仿真实验证明SOC估计算法在设定合适的状态初值后滤波结果快速收敛,SOC估计性能得到提高。（3）针对无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法估计结果不稳定的问题提出一种自适应滤波算法—R-AUKF算法。该算法基于传统的UKF算法,首先提出使用奇异值（Singular Value Decomposition,SVD）分解代替Cholesky分解的方法解决SOC估计过程中协方差矩阵陷入病态的问题;其次根据估算过程中测量噪声的实测方差和理论方差获取自适应调节因子对测量噪声进行动态调整以保证残差协方差的实际值和理论值的一致性。SOC估计对比实验结果表明R-AUKF相比于UKF具有更高的精确性和鲁棒性。