锂离子动力电池的荷电状态（State of Charge,SOC）估计是电池管理系统（Battery Management System,BMS）的基本功能,充放电控制、安全管理、均衡管理和故障诊断等都离不开精确的SOC估计。而准确的可用容量是获得准确的SOC值的前提,它不仅能够反映出车辆当前最大的储能能力,还与动力电池的使用环境（温度、工况等）直接相关,同时容量也会随着电池的老化逐渐衰减,与电动汽车的使用寿命、能量决策和安全性等息息相关。倘若BMS中SOC与可用容量的估计问题能够被解决,那么动力电池的安全问题也能够得到有效的解决,继而延长动力电池的使用寿命,降低应用和维护成本。因此,本文针对锂离子动力电池的SOC和可用容量联合估计问题,开展了如下研究工作:（1）针对锂离子动力电池部分性能参数未知的问题,首先简单介绍锂离子动力电池工作原理,搭建锂离子单体电池测试平台,并详细设计锂离子动力电池测试试验方案,然后对日本原产动力型松下18650PF三元锂离子电池进行基本性能试验、工况试验和循环寿命试验。最后针对具体的测试结果进行系统分析,得到初始容量、开路电压（Open Circuit Voltage,OCV）、欧姆内阻等电池性能参数。（2）针对在多变环境温度和复杂运行工况下锂离子动力电池模型的适应性问题,通过权衡电池模型的精度与复杂度,并考虑到环境温度变化对动力电池的影响,建立温变双极化等效电路模型;然后对模型的极化内阻和极化电容等参数进行辨识;最后分别在恒温和变温条件下,基于DST、FUDS和HPPC三种工况,对所建立的温变双极化等效电路模型的精度和鲁棒性进行分析验证。结果证明所建立的温变双极化等效电路模型精度较好,具有良好的温度适应性和工况适应性。（3）针对锂离子动力电池SOC估计问题,分别引入扩展卡尔曼滤波（Extend Kalman Filter,EKF）算法和H∞滤波算法,并详细介绍两种算法的基本原理和SOC估计流程;然后在MATLAB/Simulink仿真软件中,分别建立了基于EKF算法的SOC估计方法和基于H∞滤波算法的SOC估计方法的仿真模型,并在恒温和变温条件下,通过DST、FUDS和HPPC三种不同的工况数据对两种方法应用于动力电池SOC估计的仿真结果进行对比分析。结果表明基于H∞滤波算法的SOC估计方法精度更高,适应性更强。（4）针对锂离子动力电池老化行为下的SOC估计问题,建立锂离子动力电池容量衰减模型,采用粒子滤波算法对电池容量进行预测,在此基础上提出考虑容量衰减的SOC估计方法。利用6种不同老化程度下的试验数据对所提出的方法进行分析验证。结果表明提出的考虑容量衰减的SOC估计方法能够有效抑制电池老化对SOC估计精度的影响。（5）针对锂离子动力电池SOC与可用容量联合估计问题,提出基于单时间尺度双H∞滤波的SOC与可用容量联合估计方法,即采用两个H∞滤波器对动力电池的状态量和参数量进行联合估计,其中一个滤波器进行动力电池SOC的实时估计,另一个滤波器进行可用容量的在线辨识。与仅采用一个H∞滤波器相比,模型的SOC估计精度得到了进一步提高。由于电池系统状态量的快速时变特性和参数量的缓慢时变特性,将单时间尺度双H∞滤波算法改进为多时间尺度双H∞滤波算法,并通过引入SOC-容量-OCV三维响应曲面作为状态反馈环节来解决对SOC-OCV曲线的依赖,利用经过20次循环充放电后的DST工况数据在常温和低温环境下进行分析验证。结果证明与单时间尺度双H∞滤波算法相比,多时间尺度双H∞滤波算法使得SOC估计精度进一步提高,更加满足实车运行情况。