随着近几年国民经济的快速发展和人民生活水平的日益提高,汽车工业在全世界得到了迅猛发展。汽车的大量使用在给人们生活带来便利的同时,也带来了能源消耗、环境污染等诸多负面影响。面对日益严重的石油过快消耗和环保问题,电动汽车作为一种新的绿色交通工具,是各国政府不约而同所提出的一种富有成效的应对措施。在电动汽车中,电池直接作为主动能量供给部件,其工作状态的好坏直接关系到整个汽车的行驶安全性和运行可靠性。为确保电动汽车中的电池组性能良好,延长电池组使用寿命,须及时、准确地了解电池的各种运行状态,其中尤以电池荷电状态(State of Charge, SOC)的精确估算最为关键。本文针对动力锂电池组的SOC在线精确估计这一问题,从锂电池动态模型、估计算法等方面开展了广泛深入的研究。论文主要研究工作如下：(1)针对动力电池这一动态非线性系统,提出了一种锂电池过程模型的具体改进方法,并给出了相应的模型参数在线估计算法。该方法使用放电速率比例系数对不同放电速率对动力电池SOC的影响进行建模,采用二阶多项式拟合模型完成实际放电速率下的放电容量到标称容量的折算；另一方面,使用温度比例系数对不同温度条件对动力电池SOC的影响进行建模,采用二阶多项式拟合模型完成实际温度下的放电容量到标称容量的折算。放电速率比例系数和温度比例系数的有机结合可以更加客观地描述锂电池在实际放电速率和温度工作条件下的放电特性,从而有效提高单体锂电池SOC的估计精度。(2)利用扩展卡尔曼滤波、Unscented卡尔曼滤波以及粒子滤波等贝叶斯滤波方法,给出了电池SOC估计的具体算法和步骤,并在多种典型电动汽车运行工况下对相关算法进行了仿真,对比分析了它们在SOC估计精度、收敛速度、算法复杂度及鲁棒性等方面的性能。(3)针对动力锂电池由于生产、使用过程中所存在的个体差异,以及锂电池使用过程中不可避免的老化现象,提出了一种电池模型参数与SOC联合在线估计方法。该方法在进行锂电池SOC在线估计的同时,可以对电池模型参数尤其是内阻参数进行在线估计和更新,从而可以进一步提高电池SOC估计的精确度。(4)实现了一个由4只容量为50Ah的动力电池组嵌入式SOC在线估计原型演示系统,开发了相应的系统硬件和软件。实验结果表明,采用文中所提出的基于采样点卡尔曼滤波的锂电池内阻与SOC联合估计算法可以快速地完成动力电池组的SOC精确估计,其最大估计误差为5%,平均估计误差为3%,一次估计时间约为3～4s；所开发的电池组嵌入式SOC在线估计原型系统符合预期效果,为后续现场应用提供了较为可靠的依据。