对电动汽车而言,准确的电池荷电状态（State of Charge,SOC）估计一直是最为重要的也是急需解决的问题。准确评估电池SOC对电池正常安全的使用极为重要,也有助于提升车载动力电池的能量利用率、降低电池使用成本、延长电池循环寿命。但电池本身具有强非线性特征,以及受到自放电、工作温度和噪声等因素的影响,电池SOC的估计精度往往难以保证。此外,准确的电池SOC估计结果还高度依赖于准确的电池最大可用容量(Maximum available capacity,Cmax)。但电池最大可用容量会随着老化而不断衰减,并且在使用过程中很难直接测量。因此,本文主要开展锂离子电池全生命周期内SOC和最大可用容量联合估计方法研究,具体研究内容如下:（1）锂离子电池建模与参数辨识:通过实验分析研究了锂离子动力电池在不同老化状态、不同放电倍率和工作温度下的充放电特性,在二阶RC模型的基础上建立了考虑电池容量动态特性的混合电池模型。此外,提出并搭建了指数衰减粒子群算法（Exponential decay particle swarm optimization,EDPSO）在线辨识包括开路电压在内的模型参数。（2）锂离子电池未来运行工况预测:现有研究大多都是假设电池的未来放电条件是先验已知,但实际应用中电池负载电流的分布情况具有极大的不确定性。因此,本文利用马尔可夫模型（Markov-chain model,MCM）对电动汽车未来行驶工况进行预测,并利用一个电动汽车系统模型求解电池未来放电条件。（3）锂离子电池全生命周期内SOC和容量联合估计:以非线性滤波理论为基础,提出了一种离散非线性PI观测器（Proportional-integral observer,PIO）来估计电池SOC。此外,考虑到电池容量衰减的慢时变特性,利用特定时间内的累计电荷量、电池开路电压和不可用容量的变化在线识别电池处于当前老化状态下的最大可用容量,并通过离线更新电池容量的方式提高SOC估计精度。最后,在电池不同老化状态下利用复杂城市工况验证了本文估计策略的准确性及鲁棒性。验证结果表明,该方法能有效适应不同温度和不同老化状态等情况,全生命周期内电池SOC和最大可用容量的估计误差都可以控制在2%以内。此外,相较于传统卡尔曼滤波方法及其改进方法,本文提出方法的估计效率提高了30%以上。表明该算法的实时性最好,更适合部署在嵌入式系统实现电池SOC的实时估计。