在国家节能减排和“碳中和”的大背景下,以电能消耗为主的电动汽车获得快速推广和应用。动力电池是车载电力能源的主要储存媒介,其性能直接决定了电动汽车整车技术水平和发展速度。为保障动力电池系统安全、可靠、高效运行,电池管理系统发挥着重要作用,其主要功能包括状态监测、内部状态估计、充放电管理和安全保护等。作为评估电池电性能和优化车辆动力控制策略的关键参数,实现动力电池的内部状态在全寿命复杂温度条件下的准确估计,对保护电池和延长电池使用寿命具有重要作用和研究价值。因此,本文重点围绕全生命周期内和复杂温度环境下锂电池建模和内部状态估计开展了以下研究工作:首先,针对全工作温度范围内锂电池荷电状态（State of Charge,SOC）难以精确估算的问题,开展了全工作温度范围内的锂电池充放电性能测试,构建了-20℃～60℃全工作温度范围内具有温度补偿的锂电池模型,基于平方根容积卡尔曼滤波算法提出了一种复杂温度环境下的电池SOC估计方法,并在低温、高温和时变温度环境下验证了算法的准确性,在全工作温度范围内最大误差低于2%,提升了算法对复杂环境温度的适应能力。其次,为了研究全生命周期内锂电池老化特性和容量衰退规律,选取电池充电过程中容量增量曲线峰值及其峰值对应电压为电池老化特征量,开展了基于高斯过程回归算法的电池剩余可用容量估计研究。为了解决传统高斯过程回归算法核函数超参数优化难题,进一步结合人工蜂群算法优化和求解超参数,开发了基于人工蜂群+高斯过程回归算法的锂电池可用容量估计模型,全生命周期内可用容量估算误差在2%以内,提升了电池可用容量估算的精确性,为全生命周期内锂电池SOC估计精度的提升奠定基础。然后,针对全生命周期内电池老化后SOC估算不准确的问题,开发了一种综合考虑电池老化和环境温度影响的SOC与可用容量协同估计方法。利用等效电路模型,将粒子群优化算法与数据积累和更新相结合,实现对模型参数的规则识别和定期更新;利用长短记忆循环神经网络算法设计了锂电池可用容量估计模型,实现了锂电池最大可用容量精确估算;基于平方根容积卡尔曼滤波算法,结合所构建的锂电池模型和可用容量估算结果,实现了锂电池宽温度全寿命周期内的SOC精确估计。在宽温度和时变温度条件下,所提出的锂电池SOC和可用容量的联合估计方法能将SOC误差控制在2%以内,预测可用容量误差小于0.071Ah。最后,针对现有电池组SOC估计方案需要根据电池组拓扑结构不同进行调整的问题,开发了电池组加权SOC估算策略,利用比较单体电池最大和最小SOC差值,设计权重因子和偏差对电池组SOC进行迭代计算。并利用企业搭建的电动自行车大数据平台实车数据对所提出的电池组SOC估计方法进行了验证。基于该方法得到的电池组SOC在放电过程中不断追踪最小SOC曲线,具有良好的适应能力,在保证估算精度的前提下,大幅降低了BMS计算量。