当前,能源危机和环境破坏已成为全社会关注的焦点问题,交通电气化能够有效降低尾气排放及减少对化石燃料的依赖。电动汽车和混合动力汽车是目前发展的主流方向,其中需要电能存储系统完全或部分替代传统内燃机提供的推进动力。锂离子电池由于其工作温度范围宽、能量密度高、寿命长、充放电电流大等优点得到了广泛应用。对锂离子电池而言,荷电状态(State of Charge,SOC)和电池容量是评价电池电性能和控制车辆的关键参数。精准的SOC和最大可用容量是电动汽车电池管理系统(Battery Management System,BMS)高效工作的必要条件,也是提供给电动汽车驾驶员的必要信息。本文以电动汽车车用三元锂离子电池为研究对象,开展了锂离子电池SOC和电池可用容量精确估算方法的研究。首先,在综合分析电池建模复杂度及精度的基础上,结合锂离子电池基本工作特性,选择二阶阻容等效电路模型进行电池建模。基于优化后的自适应遗忘因子递推最小二乘法(Adaptive Forgetting Factor-Recursive Least Square,AFF-RLS),实现了电池模型参数的在线辨识,进一步增强了动态参数辨识能力。其次,基于平方根容积卡尔曼滤波(Square Root Cubature Kalman Filter,SRCKF)进行电池SOC的估算,结合构建的电池模型及辨识的参数,研究了SRCKF算法中应用于SOC估算的状态方程和测量方程,通过基于城市道路循环工况(Urban Dynamometer Driving Schedule,UDDS)和动态应力测试工况(Dynamic Stress Test,DST)实验数据,对算法的性能进行评价分析。实验结果表明,与传统的扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)及容积卡尔曼滤波(Cubature Kalman Filter,CKF)相比,SRCKF算法执行时间最短,误差最小,精度最高;在不同的初始偏差和不同工况条件下,SRCKF算法也具有较强的收敛性、鲁棒性及适应性。最后,针对电池使用过程中容量老化衰退问题,提出了一种全寿命周期内基于自适应模型算法的锂离子电池SOC与容量的联合估计方案。基于不同老化阶段下的开路电压(Open Circuit Voltage,OCV)和SOC曲线,构建了容量-SOC-OCV三维响应曲面,采用遗传算法对电池可用容量和模型参数进行辨识和更新。基于更新的电池容量和模型参数,结合SRCKF算法实现了全寿命周期内的电池容量和SOC的联合估算,在不同的老化状态和不同的实验条件下,验证了联合估计方法的估算性能。实验结果表明,在电池出现老化和容量衰退后,所开发的联合估计方法能够自适应估算电池容量,提高了全寿命周期内的SOC的估计精度。本论文实现了锂离子电池全寿命周期内的电池容量和SOC的联合估算,所开发的算法具有较高的估算精度,能够为锂离子电池的性能优化和应用提供参考,对促进动力锂离子电池管理系统关键技术的发展具有一定的研究意义。