高容量和长寿命的储能装置有助于提高电动汽车的性能和效率,而锂离子电池的荷电状态、健康状态以及剩余可用寿命的准确预测对储能装置使用的安全性和电池健康性产生直接影响。但电池内部特性具有非线性,且电池性能易受工况、环境、老化、不一致性等因素的影响,导致电池状态无法直接获取,因此准确预测电池各状态变量对电池管理系统的耐久性、使用成本和安全性至关重要,研究电池状态智能估计算法具有重要的理论意义和应用价值。论文针对锂离子电池状态的估计难点,搭建了电池测试平台,系统设计了电池的测试方案,建立了电池状态估计模型,提出了相关的状态估计方法,利用典型工况数据对所提方法进行了验证,主要研究工作如下:提出了基于灰狼优化算法的最小二乘支持向量机（Least-squares Support Vector Machine,LSSVM）的锂离子电池荷电状态（State of Charge,SOC）估计算法。利用滑动窗口法更新LSSVM算法的输入向量,削弱了数据集、测量误差以及外界因素对算法估计能力的干扰,结合灰狼算法完成了模型参数的辨识。实验结果表明:在不同工况下测试,SOC估计值的准确性得到了提升。提出了融合卡尔曼滤波和LSSVM的SOC估计算法,将离散化的LSSVM模型作为卡尔曼滤波中的观测方程,弥补了安时积分法无法从估计参数得到反馈信息来修正SOC估计结果和易受噪声等外部因素干扰的问题;考虑到观测向量估计的准确性会影响SOC的估计精度,将基于灰狼优化算法的LSSVM作为观测方程,进一步提升观测向量和SOC的估计精度。实验结果表明:融合算法的估计性能和SOC估计值的准确性得到了改进。提出了双自适应扩展卡尔曼滤波算法的锂离子电池健康状态（State of Health,SOH）估计方法,选用Thevenin模型作为SOH估计中的电池模型,建立了基于SOH、欧姆内阻和SOC的估计算法。利用基于动态窗口的双自适应扩展卡尔曼滤波对欧姆内阻进行估计,将获得的欧姆内阻完成SOH计算;分析了容量误差和开路电压拟合误差对算法估计能力的影响,引入了其误差模型,提高了算法的抗干扰能力和估计值的准确性。提出了基于闪电搜索法的高斯过程回归（Gaussian Process Regression,GPR）的锂离子电池剩余可用寿命（Remaining Useful Life,RUL）预测算法,引入灰色关联分析方法选取能够描述锂离子电池容量衰退的健康因子,结合优化后的GPR完成RUL预测;考虑到单一GPR算法预测精度不高、粒子滤波建模和获取新观测数据较为复杂,融合了粒子滤波和GPR算法,利用GPR作为粒子滤波算法的观测方程,结合容量衰退模型实现RUL精准预测。实验结果表明:RUL预测算法的估计能力得到了改进,预测结果的准确性得到了提升。论文提出了融合数据驱动模型和滤波算法的状态估计方法,解决了SOC单一算法估计精度不高、SOH多参数估计存在相互耦合、RUL预测缺少数学模型等难点,实验结果表明了所提锂离子电池智能估计算法可准确实现SOC,SOH和RUL状态估计,为工程实践应用提供了参考。