目前能源短缺和环境污染问题不断凸显,伴随着人们环保意识的增强,新能源汽车的地位不断攀升。在国务院办公厅最新印发的新能源汽车发展规划中指出,要应用大数据、人工智能等先进技术为新能源汽车赋能,提高动力电池的性能分析与智能管理能力。对动力电池健康状态SOH与动力电池荷电状态SOC高效精准地估算是提高电池管理能力,延长电池使用寿命的有效手段。本文在大数据技术背景下,研究基于数据驱动的动力电池状态模型,挖掘数据背后存在的意义,从数据中提取到对估算动力电池状态有用的信息,最终形成根据电池的特征估算电池状态的知识。本文研究的数据驱动方法,与其他需要花费大量人力、材料、资金来通过实验构建电池模型的方法相比,具有降本增效,鲁棒性更强等优势,是今后新能源领域建模分析的发展趋势。本文研究了多种数据驱动算法在动力电池状态估算中的应用:对于动力电池健康状态,首先以数据平台中监测的实际运行车辆为研究对象,对全量数据设计充电事件切分算法,并使用K-means聚类模型提取出慢充事件,用于对运行车辆SOH的评估。其次对数据进行特征工程,包括对数值特征使用Pearson系数和Spearman系数分析相关性以及对类别特征作one-hot编码处理,确定最终的SOH模型输入特征。最后分别对比了Linear Regression、Lasso、Ridge、Elastic Net四种线性回归模型在动力电池健康状态预测场景下的应用,研究结果表明四者的MAE均低于5%,满足实际使用需求,但在不包含单体数据的低维特征应用场景下,Linear Regression或加入L2正则化项的Ridge是更好的选择。对于动力电池荷电状态,本文以实验室电池模组的两种测试工况数据作为研究对象,将SOC估算模型视为时间序列模型,基于Pytorch深度学习框架,使用循环神经网络中的长短时记忆（Long Short-Term Memory,LSTM）算法建立LSTM-SOC估算模型,在两个数据集上的最大测试误差分别为2.7%和3.8%。考虑到算法落地时需要模型有随实际数据而自适应调整的能力。本文创新性地将迁移学习引入动力电池状态估算领域,并分别针对有标签与无标签的两种自适应场景进行了研究。在有标签场景中,基于深度学习中的微调技术,提出Finetune-SOC估算模型,在自适应调整参数时无需在新数据集上从头开始训练,模型训练时间由37mins大幅缩减为9mins,效率提高75.7%;在无标签场景中,基于领域自适应网络（Domain Adaptive Neural Network,Da NN）,提出LSTM-Da NN计算框架,借助有标签数据训练无标签数据,即使在实际使用工况下没有准确训练标签的情况下,也能完成对模型参数的调节。测试结果表明该模型参数调节前的最大绝对误差为18.9%,经自适应参数动态调整后最大绝对误差为4.8%,下降了14.1%,效果显著且满足实际需求,为深度学习算法估算SOC提供了项目落地方案与理论支撑。