随着化石燃料的不断减少与环境问题的日益突出,世界各国都在不断加大对新能源汽车尤其是电动汽车的研发投入。电池管理系统（Battery Management System,BMS）是电动汽车动力锂电池的核心零部件,是保障电动汽车安全可靠运行的重要基础。然而,动力锂电池的时变非线性特性,以及易受外界因素,如温度、老化、动态工况的影响,这给BMS对动力锂电池状态的准确估计带来了巨大挑战。本文针对车用动力锂电池荷电状态与能量状态估计等问题开展研究,具体研究工作包括:（1）搭建了动力锂电池测试平台,针对不同材料、不同结构的两类锂电池,在宽温域（0～50℃）进行了基础和老化实验,积累锂电池特性实验数据。根据实验数据,分析了锂电池开路电压（Open Circuit Voltage,OCV）、最大可用容（能）量随锂电池工作环境温度及老化状态的变化轨迹。实验分析表明,动力锂电池工作环境温度对开路电压、最大可用容（能）量影响较为显著。通过建立锂电池实验数据库,为后文状态估计研究以及验证估计算法的准确性及可靠性提供数据支撑。（2）针对工作环境温度对动力锂电池模型参数及荷电状态（State of Charge,SOC）估计影响的问题,提出了基于温度补偿模型的动力锂电池荷电状态估计方法,该方法能够有效降低温度对于锂电池开路电压等参数的影响,从而提高SOC估计的准确性和可靠性;针对传统卡尔曼滤波在处理时变非线性系统上的不足,提出了粒子滤波的锂电池参数与SOC在线估计方法,通过自适应噪声协方差提高粒子滤波的收敛速度与估计精度。仿真结果表明,基于温度补偿模型的SOC估计方法,在动态温度及动态工况、老化等复杂条件下均能实现准确估计。（3）针对开路电压OCV是能量状态估计（State of Energy,SOE）关键因素的问题,提出了一种自适应参数模型的能量状态估计方法,将OCV纳入参数估计器进行在线估计,以提高模型的辨识精度;为减少参数估计器的维度和复杂度,提出了基于遗忘因子递推最小二乘法的参数辨识方法。此外,考虑到固定遗忘因子的不足,提出了可变遗忘因子递推最小二乘的参数辨识方法。针对传统卡尔曼滤波假设噪声统计特性为已知的不足,提出了H无穷滤波的SOE估计方法,结合Thevenin model锂电池等效电路模型,建立了基于可变遗忘因子递推最小二乘法与H无穷滤波的自适应能量状态估计方法,并通过恒流工况、动态工况实验,验证所提出估计方法的精度及鲁棒性。（4）针对动力锂电池多状态联合估计的问题,提出了基于多时间尺度的估计方法,以微观时间尺度估计锂电池荷电状态与能量状态,以宏观时间尺度辨识锂电池模型参数;针对多时间尺度时间间隔选择问题,从锂电池模型准确性与稳定性两方面入手,理论研究多时间尺度时间间隔的选择问题;针对传统卡尔曼滤波假设噪声统计特性为已知的不足,采用H无穷滤波作为估计方法,对锂电池模型参数与多状态进行在线估计。通过不同温度工作条件以及不同材料锂电池实验,验证该方法的准确性与可靠性。（5）针对动力锂电池状态估计方法的应用与验证问题,为将锂电池建模、状态估计等方法与技术集成至电池管理系统,实现动力锂电池精细化、高效化管理。本文结合电池管理系统的发展趋势,采用分布式架构,开发电池管理系统。为验证本文所提状态估计方法的可靠性,开展动力锂电池组台架试验研究,验证所提估计方法的可靠性,为电池管理系统的工程化应用打下坚实的基础。