为应对环境和能源问题，电动汽车近年来飞速发展，其核心技术之一是电池管理技术，特别是电池电荷状态和电池寿命状态的估算。当前对电池电荷状态的估算研究集中于电池建模结合卡尔曼滤波算法，大多数研究侧重于电池建模，而忽略卡尔曼滤波算法本身的改进，导致电池状态估算精度不足，后续电池管理无法精细化，电动汽车性能下降。目前对电池寿命状态的估算大多通过离线进行，无法形成有效的全生命周期电池管理，不利于电池寿命的延长。电池充电技术也是电池管理技术的重要组成部分，其核心是直流变换器或整流器的设计，除了主电路拓扑结构改进外，更为重要的是控制方法的改进。近年来有学者提出，充电器控制方法应结合电池电荷状态等电池参数的识别。本文在深入分析卡尔曼滤波算法的基础上，提出一种本质相同、无需初值、基于枚举的变形算法，并通过引入极大似然估计和遗传算法，提高该算法的运算效率。改进后的算法，消除了传统卡尔曼滤波算法中，初值估计、非线性系统、噪声统计特性未知、建模系统偏差等因素造成的误差，实现了更精确的电池状态估算。同时，该算法可实现高精度的电池参数识别，用于boost电路精确线性化控制，为电动汽车电池充电。针对boost充电器不同的充电需求，本文提出一种新的精确线性化算法，消除了电压与电流控制模式切换过程中的波动。论文的主要研究成果如下：1）传统的卡尔曼滤波算法是一种递推格式，在初值选取不当情况下可能导致收敛缓慢。本文从该算法的原理和推导出发，提出了无递推的枚举算法。理论分析表明，枚举算法无需初值，且计算结果与卡尔曼滤波算法的收敛值完全一致。枚举算法虽然运算效率不高，但却是后续改进的基础。2）传统卡尔曼滤波算法中，非线性系统线性化过程中忽略高次项、噪声统计特性未知、建模存在系统偏差等因素造成估算结果存在稳态误差。本文在枚举算法基础上，提出将原有线性最小方差估计改进为极大似然估计，同时引入遗传算法提高运算效率的方法，不仅基本消除了稳态误差，而且实现了高精度的电池参数的在线识别。仿真结果表明，在系统引入10%随机噪声、部分模型参数引入10%系统误差情况下，该算法误差极小，相较于原算法约10%的误差，精度得到大幅提升，满足全生命周期电池管理的要求。3）针对boost电路精确线性化控制算法中的负载参数估算问题，基于改进后的算法，可以获得更为精确的电池参数识别。仿真结果表明，在系统引入10%随机噪声、部分模型参数引入10%系统误差情况下，改进后的算法实现了对电池参数中系统误差的识别，识别误差极小。4）为解决boost充电器恒压恒流模式切换时产生的波动或振荡问题，本文改进精确线性化算法，得到恒压恒流两种模式下统一的线性化坐标变换。为提高充电器响应速度，还对精确线性化后的充电器采用了零极点配置。仿真结果表明，该控制方法没有切换过程中的波动或振荡问题，且响应速度很快，可以满足10Hz脉冲充电要求。5）在MATLAB/SIMULINK环境下，搭建了电池本体、传统卡尔曼滤波算法、引入遗传算法的卡尔曼滤波算法、boost主电路、boost精确线性化控制算法等模块，对论文提出的改进算法进行了验证。结果表明：改进后的电池电荷状态、电池寿命状态估算的系统误差基本被消除，精度明显提高，且精确线性化控制算法响应速度更快。