《“十四五”规划》提出要大力发展战略性新兴企业,加快壮大新能源、新材料、新能源汽车、绿色环保等产业。锂离子电池被广泛应用于电动汽车、能源存储等多种工程中。由于锂离子电池内部化学反应的不可观测性及其使用工况的复杂性,锂离子电池工作中的在线荷电状态（SOC）和健康状态（SOH）的估计精度难以保证。对于锂离子电池的SOC和SOH的估计错误,在工程应用中可能引发事故,造成使用者财产及人身安全受到损害。为了提高锂离子电池的使用效果和安全性,对锂离子电池的SOC和SOH进行在线精确估计是很有必要的。本文将最小二乘法支持向量机（LS-SVM）和粒子群-遗传寻优（PSO-GA）算法相结合应用于锂离子电池的SOC估计。为了优化LS-SVM算法估计锂离子电池SOC的效果,采用PSO-GA算法确定LS-SVM算法中的惩罚系数及核函数,以提高算法性能。在标准工况下及UDDS工况下进行了大量锂离子电池充、放电实验,利用实验数据设计了对比实验,验证了本文算法估计锂离子电池SOC的精度更高,鲁棒性更好。本文提出了一种基于模糊理论和长短时记忆神经网络（LSTM）的锂离子电池SOH估计算法。为了适应锂离子电池SOH下降过程中的非线性衰减,将LSTM模型与模糊理论相结合,提高了原有LSTM网络模型的关联性,提高了估计精度。在标准工况下进行了锂离子电池循环寿命实验,利用实验数据设计了对比实验,验证了本文建立的模型在锂离子电池的SOH估计领域有着更好的适应性和估计精度。该方法有助于准确地掌握电池的使用状态及剩余寿命,及时对锂离子电池进行维护或更换,可以有效提高电池使用的安全性,可推广应用于实际工程。