为了保障能源安全、促进产业升级和保护自然环境,作为内燃机汽车的理想替代品,电动汽车在过去十年内得到了长足发展。然而,当前电池管理系统对于动力电池荷电状态（State-of-charge,SOC）和健康状态（State-of-health,SOH）联合估计精度不高、鲁棒性不佳等问题严重影响电动汽车的续航能力和驾驶体验。为了提升电池管理系统在SOC与SOH联合估计中的预测精度与鲁棒性,本论文以车载锂离子动力电池为研究对象,在电池建模、参数辨识、联合估计方法层面进行了相关研究。首先,本论文对电动汽车的发展进行简要概述,介绍动力电池发展现状及趋势,对当前应用最为广泛的磷酸铁锂电池和三元锂聚合物电池的性能进行对比分析,并详细阐述当前国内外在动力电池建模、SOC与SOH估计方面的研究现状;其次,以等效电路模型、分数阶模型和循环寿命模型为例,对建模过程中的模型精度和参数辨识差异进行探讨。其中,在模型参数辨识方面使用基于递归最小二乘法的数据驱动方法,并引入可变遗忘因子以解决参数更新中的数据饱和问题;在SOC估计方面,结合传统预测算法与数据特征,提出基于同时输入与状态估计算法的监测方法、基于多线程动态优化法的估计方法、基于最小二乘支持向量回归与模糊信息粒化的SOC估计方法;在SOH估计方面,对基于SOC在线监测和双扩展卡尔曼滤波算法的电池容量估计方法进行相关优化,并提出基于高斯-赫密特优化扩展粒子滤波算法的SOH估计方法,以及基于开路电压模型参数的高斯线性SOH估计方法,并利用电池老化实验和部分公开电池测试数据集对三种估计方法的有效性进行验证和性能对比;最后,对影响SOC和SOH联合估计的部分因素进行分析探讨,包括电池老化、工作温度、开路电压特性和高倍率特征电流,为指导车载电池管理系统高效状态监测设计提供技术参考。为了验证所提出估计方法的有效性,本论文搭建了动力电池试验系统测试平台,利用动态压力测试工况、城市道路功率驾驶工况和恒流充放电工况进行实验验证。其主要研究成果如下:（1）对于电池模型的参数辨识,可变遗忘因子的加入有效降低了数据饱和带来的辨识误差。另外,由于可变遗忘因子能够根据状态误差自动调节输入数据的遗忘窗口,因此辨识效果不受初始值的影响,在实际工作中展现了很高的鲁棒性。（2）当系统的状态噪声分别设置为1×10-10和1×10-6时,同时输入与状态估计算法在SOC估计中的最大绝对误差分别小于0.5%和5%,在应对估计不确定性和输入噪声方面具有较高的估计精度和鲁棒性;多线程动态优化法在降低由模型差异和随机高斯噪声造成的估计不稳定性方面效果显著。相较于六种开路电压模型,该方法对估计精度的提升达到20.32%;与三角型隶属度函数相比,非对称高斯隶属度函数在同样参数设定下能够覆盖更多的最优特征粒子,因此基于该隶属度函数的模糊信息粒化方法能够显著提升对电池特征数据的提取能力,在两种电流工况下的SOC估计精度分别提升了6.47%和2.18%。（3）在SOH估计中,双扩展卡尔曼滤波算法结构简单,估计精度较高,然而其性能表现依赖于高精度的SOC估计器;在粒子滤波的采样过程中引入高斯-赫密特积分和扩展卡尔曼滤波处理能显著改善粒子的建议密度分布,增加采样过程中的有效粒子数量。在120循环次数和600循环次数下,该方法在电池剩余使用寿命估计中的相对误差分别为14.7%和0.4%,满足工作要求;基于开路电压模型参数的高斯线性估计方法结构简单,计算复杂度低,在四组电池试验中,其SOH估计的最大误差均控制在3%以内,展示了很高的估计精度。（4）电池老化使得内阻上升和工作温度升高,进而引起极化现象的不稳定性,给多模型参数的准确辨识带来困难。当工作温度低于0℃时,基于开路电压查表法的SOC标定和监测将变得非常困难,且此时的开路电压模型将无法指导端电压预测。当SOH低于失效线时,高倍率电流在长期运行中会加速锂离子电池的容量衰减与日历老化,且在高频率充放电工况下严重影响动力电池SOH的估计精度。