人类对海洋的追求从未停息,水下机器人的快速发展为人类探索和研究海洋提供了全新视角。锂离子动力电池作为水下机器人的主要动力来源,为海洋探索任务提供了至关重要的能源保障。然而,复杂的水下工作环境和动力电池内部复杂的化学反应给电池的安全性和稳定性提出了严峻考验,因此电池管理系统（Battery Management System,BMS）的研究和发展成为必然。作为BMS中尤为重要的两个评价指标,荷电状态（State of Charge,SOC）与健康状况（State of Health,SOH）的准确预测估计十分必要。采用合理的预测算法对SOC和SOH进行预测估计,对提升动力电池工作状态的安全性,保证电池寿命运行在合理区间,实现容量的最大利用具有重要参考意义。现阶段有关SOC和SOH的预测估计研究较为广泛,本文在现有研究基础之上,分析并建立了二阶RC网络等效电路模型,进行了离线参数辨识并验证了辨识结果的准确性。以该模型为基础,对常用SOC预测估计算法进行了原理介绍和仿真实现,经综合对比分析,常用算法中的无迹卡尔曼滤波算法（Unscented Kalman filter,UKF）预测估计效果最佳。利用UKF算法对智能滤波算法中的粒子滤波算法（Particle filter,PF）进行改进,得到了新的无迹卡尔曼粒子滤波算法（Unscented Kalman Particle filter,UKPF）。仿真实验结果表明,与原有PF算法和UKF算法相比,UKPF算法对水下动力电池SOC的预测估计效果更佳,SOC平均误差分别减少了0.37%和0.64%,有效提高了SOC预测估计精度。此外,本文将SOC与SOH两个评价指标相结合,以UKPF算法对SOC的动态模型状态进行预测估计,以带可变遗忘因子的递推最小二乘法（Variable Forgetting Factor Recursive Least Square,VFFRLS）对SOH部分的动态模型参数进行辨识,两者互为输入输出,实现UKPF+VFFRLS算法的联合估计。相比原有仅能对SOC单独进行预测估计的算法,UKPF+VFFRLS对SOC和SOH联合估计算法不仅能对水下动力电池SOH进行实时预测估计,更能有效提高SOC的预测估计结果精度,SOC平均误差低至0.74%,RMSE低至0.0099。