新能源电动汽车（Electric Vehicles,EV）由于其拥有无排放、噪音小、能源利用率高和电能可再生等独特优势,近年来取得了快速发展,是未来汽车行业发展的主流。电池管理系统（Battery Management System,BMS）作为新能源电动汽车的关键技术,其重要作用为在复杂的条件下对动力电池的工作状况进行在线监测,以及实现对电池的控制与管理。实时预测动力电池荷电状态（State of Charge,SOC）及健康状态（State of Health,SOH）是BMS中的关键技术。目前主流的SOC预测方法有根据电池的基本参数进行预测、数据驱动算法、基于模型预测,这些方法具有简单、训练效果较好、稳定性较强等优点,然而存在误差大、精度低、对硬件设备要求高等问题。精确预测动力电池的SOH值是电动汽车平稳安全运行的关键,同时还是对电动汽车电池进行更换的主要依据,也会对电池SOC的预测精度产生影响,随着电动汽车的快速发展,对BMS中SOC及SOH的预测精度提出了越来越高的要求。所以本文在分析总结国内外对动力电池状态估计方法的基础上,针对动力电池SOC及SOH实时预测方法进行专门研究。首先分析动力电池的特性,介绍了电池的种类及其内部结构与工作原理,分析了动力电池的电压特性、开路电压（Open Circuit Voltage,OCV）和SOC两者间的关系特性、动力电池极化现象、动力电池的容量特性、动力电池的内阻特性,以及对动力电池SOC和SOH的定义做了详细地描述。其次对动力电池等效模型的建立进行研究,选择有较高的精度且计算量适中,同时又可以比较好的反映电池静动态特性的二阶RC等效电路模型当作本文的电池模型。由于动力电池使用工况非常复杂,假如使用传统的离线方法辨识模型参数,就无法实现参数和模型的匹配,从而造成较大的误差;因此本文通过引入含遗忘因子递推最小二乘法（Forgetting Factor Recursive Least Squares,FFRLS）实现在线辨识模型参数,解决了参数与模型不匹配造成较大误差的问题,算法辨识模型参数精度高。然后对动力电池SOC预测的方法进行研究。针对传统的扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法对系统进行线性变换时出现了线性化误差且雅可比矩阵难计算,同时无迹卡尔曼滤波（Unscented Kalman Filter,UKF）算法在进行滤波时不能保证误差协方差矩阵非负性,从而造成滤波发散问题;因此本文通过对UKF算法进行改进优化得到了平方根无迹卡尔曼滤波（Square Root Unscented Kalman Filter,SR-UKF）算法实现对动力电池SOC的预测。最后根据Matlab仿真软件采用恒流及动态压力测试（Dynamic Stress Test,DST）工况来验证SR-UKF算法预测SOC的精度,结果显示与传统的EKF算法和UKF算法相比,SR-UKF算法对SOC的预测能够取得更好的效果。最后研究动力电池SOH预测的方法。经过对电池SOH表征参数进行分析,本文将欧姆内阻当作评估电池SOH的参数;基于建立的二阶RC等效电路模型结合SR-UKF算法实现对欧姆内阻的实时预测,从内阻的角度来预测电池SOH;最后在两种不同放电工况下进行仿真实验验证算法预测SOH的精度。