锂离子电池具有能量密度高、生产成本低和循环使用寿命长的独特优势,被广泛的应用到手机、电脑、电动汽车等大众消费产品中,它还具有温度敏感、高度非线性以及老化特性,这些特性使得锂离子电池管理系统的状态监测和安全控制面临挑战。从多时间尺度的角度,研究锂离子电池状态监测理论及方法,实现电池状态的准确可靠监测,对保证锂离子电池安全、可靠以及持久高效运行具有重要意义。论文以实现多时间尺度的电池状态监测为目标,研究微观时间尺度下的荷电状态估计和宏观时间尺度下的剩余使用寿命预测两项关键技术,开展的具体研究工作包括:（1）针对电池模型不准确导致微观时间尺度下荷电状态估计精度降低的问题,首先通过锂离子电池动态电学行为分析及等效电路模型分析,确定模型参数辨识和开路电压曲线两个确保锂离子电池模型精度的核心要素。其次,采用基于带有遗忘因子的递推最小二乘方法的二阶等效电路模型参数辨识公式,实现模型参数离线辨识。最后,提出一种基于增量测试和低电流测试的开路电压曲线融合方法,提升开路电压曲线精度,实现对锂离子电池电学动态行为的准确描述,为提升荷电状态估计精度提供了模型基础。（2）针对微观时间尺度下荷电状态估计过程中噪声不确定性和系统非线性导致估计精度降低的问题,设计基于神经网络状态估计器的锂离子电池荷电状态在线估计算法。首先,针对传统神经网络状态估计器中存在的网络结构不唯一带来的误差问题,对自适应神经网络算法进行研究,提出基于GMDH神经网络的状态估计器;其次,针对GMDH神经网络的网络规模失控问题,设计了包含网络复杂度参数的隐层神经元评价准则和基于主成分分析的网络结构优化方法。所提方法有效降低过程噪声对估计结果的影响,实现较高精度的荷电状态估计。（3）针对使用早期电池可用数据量少、容量退化特征不明显导致难以实现宏观时间尺度下剩余使用寿命预测的问题,通过对电池使用早期数据特征进行分析,提出一种放电容量差曲线的构造方法,并从中提取用于剩余使用寿命预测的数据特征。基于提取特征和岭回归算法建立数据驱动的剩余使用寿命预测模型,并采用交叉验证和学习曲线对岭回归算法参数进行优化。所提数据驱动模型仅使用电池早期循环周期的数据便可实现较高精度的剩余使用寿命预测。（4）针对锂离子电池在长期使用过程中容量再生现象导致宏观时间尺度下剩余使用寿命预测精度降低的问题,通过分析带有容量再生现象的锂离子电池容量退化行为,提出一种多模型预测算法。首先,分别采用容量持续退化过程和容量再生过程对将电池性能退化行为进行描述;其次,建立基于相关向量机和灰度模型的混合迭代预测模型对容量持续退化过程进行预测;建立基于指数函数的容量再生模型对容量再生过程进行预测;最后设计了基于上述两种模型迭代预测策略,利用多种模型描述电池健康状态的退化过程。所提算法可以对容量再生现象的准确描述,提升锂离子电池剩余使用寿命的长期预测精度。本文以单体锂离子电池为研究对象,从锂离子电池建模及模型辨识、荷电状态估计算法、剩余使用寿命早期预测以及剩余使用寿命长期预测四个角度入手,提升了微观时间尺度下的荷电状态估计和宏观时间尺度下的剩余使用寿命预测的精度。