随着经济的高速发展,煤、石油、天然气等不可再生能源消耗量与日俱增,能源危机日益凸显,与此同时,化石燃料的大量使用使大气受到严重污染,而汽车尾气是主要的污染来源之一。为缓解当前的能源和环境危机,新能源汽车应运而生。锂离子电池作为新能源汽车的主要动力来源,电池性能的好坏直接决定了新能源汽车未来的发展前景。电池管理系统（BMS）是新能源汽车的核心部件,控制着整个电池组的运行状态,SOC（荷电状态）估计是BMS的关键功能之一。精确的SOC估计可以有效减小因过充、过放等情况对电池产生的损害,可延长电池的使用寿命和续航里程,提高能源利用效率和汽车整体性能,对SOC估计和BMS的研究具有重要意义。本文就磷酸铁锂电池的荷电状态估计问题和电池管理系统设计进行了深入研究。首先对国内外研究状况进行了总结,分析了电池各性能参数对SOC估计的影响以及变化规律,对锂电池SOC估计常用的等效电路模型和算法的优缺点进行了对比分析。从模型复杂度和估计精度两个角度考虑,二阶RC回路的等效模型在计算复杂度和精度之间取得了很好的平衡,故本文选择二阶RC模型作为锂电池的等效电路模型,并对其有效性和准确性进行了验证。针对该模型,分别采用最小二乘拟合和带遗忘因子的递推最小二乘法（在线参数辨识）两种方法进行参数辨识,比较了二者的辨识精度,结果表明在线参数辨识具有更高的精度,使模型参数能够根据当前的电池实际状态自适应调整,具有很好的适应性,从而提高了模型的精确度。基于在线参数辨识原理,首先选择扩展卡尔曼滤波算法（EKF）进行SOC估计,针对扩展卡尔曼滤波存在的不足,对其进行改进得到了自适应扩展卡尔曼滤波（AEKF）。AEKF使噪声协方差能够根据当前状态进行不断调整,实时修正系统过程噪声和测量噪声的统计特性,克服了误差发散和有偏解的问题。然后采用在线参数辨识分别结合EKF和AEKF两种算法进行锂电池的SOC估计。为验证算法的精确性和收敛性,在恒流工况和动态工况下,分别选取SOC初始值为1、0.9、0.8三种情况进行仿真。结果表明在线参数辨识联合AEKF具有更高的精度,能够更准确地估计电池SOC;而且在SOC初值不确定的情况下,收敛速度也更快,具有更好的动态适应性。最后,对电池管理系统进行了研究和设计,采用STM32单片机作为主控模块,BQ76940芯片作为采集模块,可实现电池电流、电压、温度等参数的采集,具有过流、短路、过压、欠压保护功能等功能。