目前在交通运输领域,电动汽车已经成为热门的发展方向,然而,电池管理系统（Battery Management System,BMS）等相关技术的不完善制约了锂离子电池行业以及电动汽车的发展。在电池管理系统当中,准确估计荷电状态与健康状态是其中的重点与难点。在此背景下,深入研究电池系统的建模和状态估计技术,对有效管理电池系统,保障电池的安全可靠运行具有重要意义。因此,本文围绕锂离子电池系统的建模辨识和状态估计问题展开研究。针对锂离子电池非线性系统的建模问题,通过对电池特性进行分析,总结归纳影响电池特性的因素,为后续建模与状态估计奠定基础。依据电池系统具备分数阶的特性,通过分析电池电化学阻抗谱,采用分数阶电学元器件构成分数阶电池模型,并以此为基础对电池状态进行估计。最后在DST工况与FUDS工况下,验证模型的准确性与可行性。针对模型参数的精确获取问题。为了准确获取锂离子电池分数阶模型的参数,将模型参数辨识问题转化为优化问题进行求解,在此基础上,采用混合遗传粒子群算法对电池模型参数进行辨识,并仿真检验算法的性能。仿真结果显示,所使用的辨识方法能有效获得电池模型参数,且准确性较好。针对锂离子电池分数阶模型的荷电状态（State of charge,SOC）估计问题,本文将分数阶微积分理论引入无迹卡尔曼滤波算法当中,提出了分数阶无迹卡尔曼滤波算法对电池SOC进行估计,同时为减少计算量,加入“短时记忆”效应。最后在DST工况与FUDS工况下与整数阶无迹卡尔曼滤波算法进行仿真对比,结果表明分数阶无迹卡尔曼滤波算法具有更高的精度与鲁棒性。针对锂离子电池分数阶系统的的健康状态（State of health,SOH）评估问题。考虑到电池SOC与SOH之间复杂的耦合关系以及SOC与SOH变化速率不同的特点,本文将多时间尺度理论应用于分数阶模型的SOH估计当中,在宏观时域采用分数阶扩展卡尔曼滤波算法估算慢变参数SOH,微观时域采用分数阶无迹卡尔曼滤波波算法估计电池快变参数SOC,两者估计结果相互进行校正。最后在DST工况下与EKF-UKF算法相对比以验证算法的鲁棒性与准确性。