动力电池是电动汽车能量的直接来源，也是电动汽车的核心组成部分。在动力电池的使用过程中，需要对电池的各种状态进行实时监测，以优化电池的使用;与此同时，由于容量衰退、工作环境等因素的影响，电池可能会工作在不安全状态，需要对电池的健康状态(State-of-Health，SOH)进行估算。研究动力电池建模、辨识、观测技术对于电池的合理使用、电池管理技术水平的提升以及电动汽车安全性的提高具有重要意义。本文以磷酸铁锂电池为研究对象，以动力电池SOH估算为研究目标，研究并设计了能够体现动力电池实际使用规律的测试方法;研究了锂离子电池机理模型的简化过程;探讨了基于线性时不变(Linear Time-Invariant，LTI)和基于线性变参数（Linear Parameter-Varying，LPV）模型结构的锂离子电池模型辨识算法;提出了基于模型的电池SOH离线和在线估算方法。　　首先，研究并设计了能够体现动力电池实际使用规律的测试方法。建立了包含电池系统模型的电动汽车仿真模型;采用统计学分析方法，研究了电池在动态工况下的充放电电流幅值分布，以及各工作模式的时间概率分布;根据动力电池的实际使用规律，设计了电池动态特性实验、电池温度特性实验、电池加速寿命实验的测试方法;同时，基于实验数据，初步分析了锂离子电池的动态特性、温度特性、老化特性，并以此作为全文的数据基础。　　其次，从面向应用的角度，研究了锂离子电池机理模型的简化过程。分析了经典的锂离子电池伪二维机理模型，通过忽略锂离子浓度、电流密度的分布不均匀性，提出了简化的锂离子电池机理模型;分析了锂离子电池模型简化过程中存在的精度降低的问题，对模型中的锂离子浓度分布梯度项进行了修正，实现了电池模型的精度补偿;进一步采用小信号分析法，对简化的锂离子电池机理模型进行了线性化处理，提出了一种物理意义明确、易于工程应用、精度可控的锂离子电池机理模型。　　再次，研究了基于LTI模型结构的锂离子电池模型辨识方法。采用快速傅立叶变换方法，研究了锂离子电池的频域特性;根据电池的频域特性，设计了一种逆M序列形式的电池辨识测试方法，该测试方法能够激励出电池的大部分动态特性;分析了锂离子电池反应中的极化过程，从易于辨识的角度，提出了LTI结构的锂离子电池模型;基于LTI电池模型，介绍了基于预测的子空间辨识算法，并采用该算法对锂离子电池LTI模型辨识进行了研究;辨识结果表明，当采用4阶次的LTI模型结构对电池进行建模时，可以在模型精度和复杂度上取得最优的效果。　　此外，研究了基于LPV模型结构的锂离子电池模型辨识方法。介绍了LPV模型结构的原理，分析了LPV模型的优点和与传统LTI模型的区别;根据LPV模型结构原理，提出了LPV结构形式的锂离子电池模型;基于LPV电池模型，介绍了基于预测的LPV模型子空间辨识算法，并采用该算法对锂离子电池LPV模型辨识进行了研究;辨识结果表明，相比传统的LTI模型结构，LPV模型结构在精度和复杂度上均具有明显的优越性，非常适合对锂离子电池的非线性特性进行建模。　　最后，提出了基于模型的电池SOH离线和在线估算方法。分析了电池LPV模型结构的特征，研究发现LPV模型可以实现模型参数与SOC的解耦，从而可用于电池的SOH估算;研究了电池LPV模型参数随SOH的变化规律，并提出了一种基于LPV模型辨识技术电池SOH离线估算方法;探讨了可用于在线辨识的电池电路模型拓扑结构，并提出了相应的电池递归数学模型;基于电池递归数学模型，采用递推增广最小二乘算法，研究了模型中的极化电阻和极化电容随SOH的变化规律，并最终提出了基于迭代辨识技术的电池SOH在线估算方法。实验结果表明，在电池全生命周期内，上述电池SOH离线和在线估算方法精度较高，能够较好地跟踪电池的健康状态衰退过程。