随着近年来新能源汽车产业的快速发展,对动力锂电池在续航、寿命等方面的表现提出了更高的要求。为了避免电池管理系统（Battery Management System,BMS）对电池组进行能量均衡时出现严重的“短板效应”,就需要系统对各单体电池的荷电状态（State of Charge,SOC）有精确、实时的估计。本文针对目前动力锂电池SOC精确估算存在的困难,做了如下工作。首先讨论SOC的定义方式,分析了制约动力锂电池SOC精确估计的因素,并对现有电池SOC估计方法进行了梳理。本文选择研究基于模型的滤波法,这种方法的难点在于电池模型和滤波算法的精度。其次在分析典型动力锂电池模型的结构和工作原理的基础上,选用了能较好兼顾准确度与计算复杂度的二阶RC网络等效电路模型,推导出状态空间的数学表达式,并对模型进行验证。采用高斯三项式（Gaussian Function Trinomial,GFT）改进开路电压（Open Circuit Voltage,OCV）与SOC关系式的拟合曲线,精确获取模型参数辨识所需的对应关系。针对电池参数多变且易引起累积误差,引入可变遗忘因子的递推最小二乘法（Variable Forgetting Factor Recursive Least Square,VFFRLS）来实现模型参数的精准辨识。然后在比较常用算法的优劣后,结合安时积分法（Ampere Hour,AH）稳定性高和扩展卡尔曼滤波（Extended Kalman Filter,EKF）收敛速度快的特点,通过模糊融合算法（Fuzzy Fusion,FF）利用两者的增量来设计模糊特征,形成综合性能更优的AH-EKF-FF估计算法。接着将基于GFT的VFFRLS在线参数辨识与AH-EKF-FF估计算法相组合,提出了一种新的基于密度函数的模糊融合SOC联合估计算法。最后搭建相关实验及仿真平台,验证了所提联合算法的精度和实用性。在CCIC/CCID静态实验中,验证了GTF拟合曲线在相同条件下精确性更高、计算复杂度更小。在静态和NEDC工况下,对比了联合算法和其他常用算法的SOC估计结果,有效验证联合算法的准确性,进一步通过设置不同初始SOC误差证明了该联合算法具有良好的收敛速度和鲁棒性。