世界各国为了缓解能源危机和环境污染所带来的一系列问题,在新能源汽车的研发上都给予了极大的重视。动力锂电池作为新能源汽车重要组成部分,迅速成为世界各国研究的热点,而如何准确估计电池荷电状态（State of Charge,SOC）是新能源汽车研发的重要问题。本文主要研究了新能源汽车电池模型参数辨识和SOC估计的相关算法,并做了以下研究工作:（1）通过对一种三元锂电池进行实验,获得其电池实际容量,并在不同循环工况进行相关实验。这些实验数据为接下来的电池模型参数辨识与SOC估计奠定数据基础。（2）通过对常见的电池模型种类进行介绍,在均衡计算量和精度的基础上,选用二阶RC等效电路模型作为本文电池模型,并以此深入研究模型参数辨识的方法。首先,对传统离线参数辨识算法中的最小二乘法（Least Square,LS）和优化算法进行研究,在脉冲放电工况下对其所辨识的模型精度进行分析。然后,针对离线参数辨识存在的问题,对在线参数辨识进行研究,主要是分为两个方面:一是递推最小二乘法（Recursive Least Square,RLS）系列的在线参数辨识,二是卡尔曼滤波算法（Kalman Filter,KF）系列的在线参数辨识。最后,在美国城市道路驾驶工况（Urban Dynamometer Driving Schedule,UDDS）下对这两种参数辨识所得模型的误差进行研究,选择了无迹卡尔曼滤波算法（Unscented Kalman Filter,UKF）作为本文参数辨识算法。（3）将模型参数辨识与SOC联合估计。首先,分析了未结合在线参数辨识的传统单一扩展卡尔曼滤波算法（Extended Kalman Filter,EKF）,并针对该算法因噪声固定而产生的误差,提出改进自适应滤波器的AEKF算法,实现SOC估计过程的噪声自适应。接着,将单一的SOC估计算法与之前研究的在线参数辨识UKF算法相融合,并引入多时间尺度理论,提出多时间尺度下的UKF-AEKF算法,在UDDS工况下通过实验验证了算法的精度和鲁棒性。最后,通过联邦城市驾驶工况（Federal Urban Driving Schedule,FUDS）实验进一步说明UKF-AEKF算法在不同工况的适应性。（4）针对本文提出的UKF-AEKF算法可能存在的影响因素,依次分析了不同SOC初值、不同时间尺度、不同温度对算法带来的影响。通过实验结果分析证实了本算法的优越性,同时针对不理想的情况做了分析,进一步提出接下来的验证和改进想法。