近年来我国电动汽车、轨道交通等产业快速发展,对储能技术提出了更高的要求,钛酸锂电池因具有循环寿命长、安全性高等特点,被广泛应用于储能系统。实际应用时,需要电池管理系统（Battery Management System,BMS）对电池进行状态估计,状态估计事关储能系统的高效、安全运行,因此研究电池状态估计算法十分重要,但现有电池状态估计算法在准确性、鲁棒性等方面仍有一定的提升空间。因此本文针对电池荷电状态（State of Charge,SOC）、能量状态（State of Energy,SOE）以及峰值功率三种电池状态开展状态估计算法研究,主要研究内容如下:首先针对如何准确、快速建立钛酸锂电池等效模型这一问题,分析现有电池模型优缺点后选择精度较高、复杂度低的一阶RC-Thevenin模型作为等效模型,并采用递推最小二乘法（Recursive Least Squares,RLS）算法进行钛酸锂电池模型参数在线辨识。针对传统RLS算法存在的计算复杂、计算量大等问题,提出了一种基于分段优化策略的变步长-递推最小二乘（Step Change-Recursive Least Squares,SC-RLS）算法,根据电池内部参数变化特点选择合适的计算步长以兼顾计算精度和计算耗时。实验表明该方案能够准确建立电池模型,且计算量少。然后针对传统卡尔曼滤波估计电池SOC、SOE时存在的稳定性差、精度还需进一步提升等问题,采用一种奇异值分解-自适应容积卡尔曼滤波（Singular Value Decomposition-Adaptive Cubature Kalman Filter,SVD-ACKF）算法。该算法采用奇异值分解代替传统CKF中的Cholesky分解,提高算法稳定性;采用SageHusa方法对噪声协方差矩阵进行实时更新,提升算法精度。实验结果表明,SVDACKF能够准确、稳定地跟踪电池SOC、SOE。最后针对计及多因素条件下如何准确估计电池峰值功率这一问题,基于数据驱动的思路,首先根据统计学原理对输入特征量进行分析,选择电池SOC、温度和循环次数作为输入特征量。采用高斯过程回归算法估计电池峰值功率,并用灰狼优化算法（Grey Wolf Optimization,GWO）优化其超参数。选择支持向量回归算法（Support Vector Regression,SVR）作为对比算法,实验表明,高斯过程回归算法相比于SVR具有更高的精度。