为化解能源危机并减少碳排放,电动汽车产业在世界各主要工业国政策支持下蓬勃发展。目前,电动汽车的性能仍受限于为其提供动力的锂离子动力电池,不合理的电池管理策略可能会导致电池过充、过放或者过热进而产生安全隐患。因此,研发有效的电池管理系统（Battery Management System,BMS）并提供准确的荷电状态（State of Charge,SOC）和健康状态（State of Health,SOH）估计,对于保障电池安全并提高性能至关重要。本文依托美国马里兰大学三元锂电池测试数据集和我们自己完成的磷酸铁锂电池试验获得的数据集,实现锂离子动力电池在线建模以及SOC、SOH实时估计。首先,完成磷酸铁锂电池试验并建立相应数据集。针对现有电池公开数据集的时代和应用局限性,选用2021年世界动力电池排名前十、国内排名前五企业的某款磷酸铁锂电池开展电池性能测试,完成4个磷酸铁锂电池单体在不同温度下的可用容量、开路电压以及动态工况试验,建立包含上百组数据的电池试验数据集。其次,分别基于开路电压（Open Circuit Voltage,OCV）和自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Filter,AUKF）两种算法实时估计电池 SOC。开路电压法采用受控自回归滑动平均（Controlled Auto-Regressive Moving-Average,CARMA）模型,根据自适应渐消记忆递推增广最小二乘（Adaptive Forgetting Factor Recursive Extended Least Squares,AFFRELS）法实现 OCV 最优估计,并在参数辨识过程中引入辨识智能监督级,判断模型参数的估计是否收敛、收敛结果是否符合物理意义,平滑滤波后的OCV实时估计值代入分段SOC-OCV多项式实现电池SOC估计;基于多时间尺度AFFRELS-AUKF的方法则根据电池模型参数和SOC的不同时变特性,在宏观尺度上根据AFFRELS法辨识结果更新模型参数,在微观尺度上使用AUKF算法估计电池SOC,实现多时间尺度的电池模型参数和SOC估计。不同电池类型、温度、工况的试验表明,两种SOC估计算法均能在有初始误差时快速校正并准确追踪三元锂电池SOC,实现了磷酸铁锂电池在非开路电压平台区的SOC校正与准确估计。最后,基于恒流充电过程实现电池SOH估计。提取恒流充电过程中相同电压区间的持续时间作为描述锂离子动力电池SOH的间接健康指标（Health Indicator,HI）,并选择线性模型来关联HI与Box-Cox变换后的电池SOH。不同放电电流及不同类型锂离子动力电池的仿真结果表明,本文提出的HI与线性模型可以准确估计电池SOH。