随着人们对不可再生能源及环境的重视,锂离子电池作为一种高能量密度,高平均输出电压的绿色电池,已经被绝大多数电动汽车作为电源使用。但因电池自身缺陷,锂电池的使用必须配备一个专用的电池管理系统(BMS),以负责管理电池使用以及保障电池的使用安全。其中,诸多关键技术,如电池均衡、过充过放保护、快速充电等,都需对锂电池电荷状态(State-of-Charge,SOC)进行准确的实时估算。在现有众多SOC估算算法中,基于机器学习的一类SOC估算算法有着较高的精度。但是受到电动汽车动态负载的影响,工作电流会出现较大的跳变,因此该算法用于电动汽车锂电池估算时,估算结果会出现较大误差。针对此种情况,本文提出了两种改进方法,包括改进电池模型泛性的训练集选择方法,以及针对电流跳变时SOC估算误差的BP神经网络电压修正方法。最后,本文以BP神经网络和SVR模型为例,对上述方法进行验证,并采用最大误差及均方根误差作为评价标准。实验结果表明,使用新训练集的情况下,SOC模型预测结果的均方根误差小于2.5%,最大误差降低到20%以内;进一步使用电压修正方法后,均方根误差及最大误差分别降低到1.9%和7.6%以内。综上所述,本文提出的基于机器学习的电动汽车锂电池SOC估算的改进算法,在广泛适应性与准确性上相比常规机器学习算法都有明显提高。