近年来,以超级储能系统和纯电动汽车为代表的新能源领域快速崛起,该领域包括对电池管理系统(Battery Management System,BMS)技术在内的研究。在BMS中电池荷电状态(State Of Charge,SOC)和健康状态(State Of Health,SOH)预测是其核心功能之一,有效的SOC和SOH预测可以优化设备的能量管理、提高能量利用效率、延长电池的使用寿命,因此开展对锂电池SOC和SOH的研究极具价值。论文首先研究了锂电池的主要特性,并从影响电池状态预测因素的角度出发,分别设计了环境温度对电池实际容量和内阻影响实验,以及放电倍率对电池实际容量和内阻的影响实验。根据实验结果对相关外部因素进行控制,避免状态预测失效现象的发生。然后建立了DP-Thevenin等效电路模型并推导出模型函数表达式,分别通过脉冲电压特性曲线法和递推最小二乘法,结合脉冲放电实验实现了电池模型参数的辨识。并以电流作为模型输入,通过对比模型输出电压与实际电压值完成模型精度验证。结果表明,所建立的电池模型精度高,模型输出电压平均误差低于5mV。接下来利用所建立的电池模型结合EKF算法在Simulink中实现了基于EKF算法的锂电池SOC、SOH单独预测。为实现SOC与SOH同时预测,通过改进EKF算法设计得到了SOC与SOH协同预测算法,并在脉冲工况和DST工况下进行仿真。结果表明,协同预测算法不仅能实现SOC与SOH同时预测,且与EKF算法相比具有更高的精度,同时还克服了常用安时积分法依赖初值的缺点,证明算法具有可行性。最后对协同预测算法进行了在线测试,根据算法测试需要搭建了电池测试平台,利用恒流工况和随机工况对算法实际预测效果进行测试。结果表明,协同预测算法在实际环境下预测效果良好,误差低于3.3%,符合国标QC/T897-2011《电动汽车用电池管理系统技术条件》中要求的SOC预测误差≤10%的指标,说明算法具有一定的工程实用价值。