群体智能算法日趋广泛的应用于锂电池的各种状态参数估计中。其中,人工蜂群算法由于结构简单、概念清晰、易于实现等特点受到了广泛关注。但人工蜂群算法在接近全局最优解时,搜索速度变慢,种群多样性减少,极易陷于局部最优解。本论文针对人工蜂群算法所存在的不足,提出一种改进人工蜂群算法（Improved Artificial Bee Colony algorithm,IABC）,并将其应用于锂电池荷电状态（State of Charge,SOC）估计中。本文的主要研究工作有:1.针对人工蜂群算法在迭代后期收敛速度变慢、极易陷于局部最优解等问题,提出两点改进:引入改进的Tent混沌映射以改善算法易陷于局部最优解的缺点;在算法搜索过程中,引入双重认知策略及惯性权重因子,用以平衡算法局部搜索能力和全局搜索能力,提高搜索精度。并将改进人工蜂群算法（IABC）与标准的人工蜂群算法（ABC）、混沌改进人工蜂群算法（CIABC）,对4个基准测试函数的寻优性能进行比较,以证实IABC算法具有更优的性能。2.为了进一步提高卡尔曼滤波算法的估算精度和收敛速度,提出两点改进:在卡尔曼滤波算法校正方程中,引入改进多新息算法;引入改进人工蜂群算法,对卡尔曼滤波算法的噪声协方差矩阵进行迭代更新。并将改进人工蜂群算法优化改进多新息线性卡尔曼滤波算法（IABC-IMILKF）与线性卡尔曼滤波算法（LKF）、人工蜂群算法优化改进多新息线性卡尔曼滤波算法（ABC-IMILKF）,对同一个房间的温度估算结果进行比较,以证实改进人工蜂群算法优化改进多新息卡尔曼滤波算法具有更优的性能。3.为了进一步提高锂电池SOC的估算精度,提出一种改进人工蜂群算法优化双改进多新息卡尔曼滤波算法（IABC-DIMIKF）,用以估计锂电池SOC:在二阶RC锂电池等效电路模型基础上,利用改进人工蜂群算法优化改进多新息线性卡尔曼滤波算法（IABC-IMILKF）,对等效电路模型内阻Rs进行在线估算;同时将估算得到的Rs,代入改进人工蜂群算法优化改进多新息扩展卡尔曼滤波算法（IABC-IMIEKF）,以此对锂电池SOC进行实时估算,从而降低内阻Rs带来的影响,进一步提高锂电池SOC估算精度。4.基于马里兰大学CALCE中心的锂电池实测数据,对二阶RC锂电池等效电路模型参数进行辨识及模型验证,并将IABC-DIMIKF算法与DIMIKF算法、ABC-DIMIKF算法,对锂电池SOC估算结果进行比较,以证实IABC-DIMIKF算法估算锂电池SOC的可行性及有效性。