在全球能源危机和环境污染的背景之下,锂离子电池由于其自身的各种优良特性,成为今后最具应用前景的储能设备。为保证锂离子电池的安全使用,防止过充或过放的发生,需要设计电池管理系统(Battery Management System,BMS)对其进行监测和控制,其中荷电状态(State of Charge,SOC)和健康状态(State of Health,SOH)的估计是BMS的核心功能。本文在实验测试所得数据基础上对锂离子电池的工作特性进行分析,建立了二阶RC网路等效电路模型。针对系统时变噪声所导致的平方根无迹卡尔曼滤波(Square-root Unscented Kalman Filter,SRUKF)算法估计结果误差增大的问题,本文引入Sage-Husa算法实现在滤波算法递推计算过程中在线估计噪声方差阵,得到自适应平方根无迹卡尔曼滤波(Adaptive Square-root Uscented Kalman Filter,ASRUKF)算法,验证结果显示ASRUKF算法能够有效降低时变噪声对估计结果的影响,提高估计精度。为实现SOH估计,并降低由于容量和内阻漂移引起的ASRUKF算法估计误差,本文建立容量和内阻模型,通过扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法实现容量和内阻估计,将ASRUKF算法和EKF算法组合,组成双卡尔曼滤波(Double Kalman Filter,DKF)算法。DKF算法能够在SOC估计算法进行过程中实时更新容量和内阻,因此能够修正模型误差,同时降低容量变化对估计结果的影响,在多种工况条件下都能够得到更趋于实际值的估计结果。为有效补偿温度和老化程度这些实际物理量对估计结果的影响,本文利用数据驱动的方法实现对锂离子电池状态的估计。以具有外部输入的非线性自回归模型(Nonlinear Autoregressive with Exogenous Inputs,NARX)结构为基础设计了动态递归神经网络(Dynamic Recurrent Neural Network,DRNN),DRNN具有全局反馈环节,能够实现输入到输出的动态映射。通过自适应权重的方法对经典粒子群(Particle Swarm Optimization,PSO)算法进行了改进,得到自适应权重粒子群(Self-adaptive Weight Particle Swarm Optimization,SWPSO)算法。通过SWPSO算法对DRNN进行训练,提高了误差收敛速度,避免网络陷入局部最优。验证结果表明,SWPSO-DRNN能够在不同温度和老化程度条件下得到有效估计值,估计精度较高且泛化能力较强。