在能源危机及全球变暖的大环境下,为促进节能减排,电动汽车行业得到了快速发展。锂电池作为电动汽车的主要动力来源,通常由电池管理系统（BMS）进行监测与管理。作为BMS中的关键指标之一,电池荷电状态（SOC）表示电池当前容量与满容量的比值。对SOC的精确估计可延长电池循环寿命,降低电池容量衰减速度并使电池以安全状态运行。本文以三元锂电池为研究对象,对电池进行建模和参数辨识等工作,并重点研究SOC估计方法。具体工作如下:（1）以二阶RC等效电路模型模拟电池工作特性,建立对应的状态空间方程并将其离散化。采用脉冲放电实验法和带遗忘因子的递推最小二乘法以适应参数辨识离线和在线两种需求,以间歇恒流放电实验验证了离线辨识所得参数的准确性。（2）考虑到中心差分卡尔曼滤波（CDKF）算法中固有的新息标量并不能反映状态量近期变化趋势,因此将CDKF与多新息理论结合,设计了多新息中心差分卡尔曼滤波（MI-CDKF）算法,将新息标量扩展为新息向量,以较小的计算量获得了更佳的估计性能,并在电压、电流中加入高斯白噪声和偏置值等情况下验证了MI-CDKF的鲁棒性。（3）为抑制CDKF算法中可能存在的病态矩阵导致滤波发散的负面影响,同时实现实时调整过程噪声和量测噪声协方差矩阵,设计了自适应平方根中心差分卡尔曼滤波（ASRCDKF）算法,其以平方根形式更新状态协方差矩阵。仿真表明,ASRCDKF在电压和电流中同时存在高斯白噪声干扰状况下估计性能优于CDKF。（4）CDKF将量测噪声假设为高斯白噪声,这与实际情况不相适应。为克服此假设带来的局限性,将CDKF的中心差分采样思想与H∞滤波相结合形成中心差分H∞滤波（CDHF）算法,并引入Sage-Husa自适应滤波,将CDHF进一步改进为自适应中心差分H∞滤波（ACDHF）算法。最后在不同噪声干扰状况下对CDKF、CDHF和ACDHF进行测试,仿真结果验证了三者中ACDHF具有最佳鲁棒性和较高的估计精度。