准确估计锂离子电池的荷电状态(State of Charge,简记SOC)是高性能电池管理系统(Battery management system,简记BMS)的重要功能之一。相比于等效电路模型,锂离子电池第一原理(First principle,简记FP)模型能从微观角度更准确地描述电池工作的电化学、动力学等过程,在BMS中应用FP模型可以进一步提高SOC估计精度。但FP模型求解复杂,参数辨识困难,无法实现不同环境温度下电池外特性行为的精确仿真。本文建立了热耦合简化第一原理(Thermal coupling simplified first principle,简记TC-SFP)模型,实现了基于TC-SFP模型的高精度SOC估计,为解决SOC估计精度随电池老化而下降的问题,开展了模型参数更新方法的研究,保证全寿命周期的SOC估计精度。首先,在改进单粒子模型基础上,利用热阻模型得到电池内部平均温度和外壳温度的计算表达式,考虑温度变化对电化学参数及内部过程的影响,建立了TCSFP模型。根据激励响应分析基本原理和参数解耦辨识要求,设计了0.02C小倍率恒流放电、三个温度下的短时恒流充放电等分步辨识工况,实现了全部17个模型参数的准确辨识。然后,构建了基于TC-SFP模型的SOC估计框架,实现了TC-SFP模型分别与扩展卡尔曼滤波算法、粒子滤波算法和二分法相结合的SOC估计。考察了三种算法的精确性、计算效率、收敛性和抗干扰性,并对基于TC-SFP模型和PNGV等效电路模型的SOC估计方法进行了比较。不同SOC估计方法的性能对比结果表明TC-SFP模型和二分法相结合的SOC估计方法更具优势。针对TC-SFP模型参数多、辨识工况复杂的问题,对模型参数进行了敏感性分析。根据模型参数的敏感值及其辨识复杂度,确定了在全寿命周期需要准确辨识的敏感参数集。设计了一组充放电交替、不同倍率的改进辨识工况,实现了9个敏感参数辨识。在不同老化阶段内,考察了基于敏感参数辨识结果的SOC估计精度,验证了敏感参数辨识方法的有效性。为实现全寿命周期的敏感参数更新,采用离线预测和容量参数在线估计相结合的多时间尺度更新方法。利用辨识方法获取不同老化阶段的9个敏感参数,选取不同的拟合函数对其进行离线预测。利用基于外部健康特征和粒子滤波算法的容量参数在线估计方法,结合参数离线预测结果,对3个容量参数进行在线更新。两种老化倍率下的SOC估计验证结果表明敏感参数多时间尺度更新方法可以保证全寿命周期的SOC估计精度。