电动汽车的动力电池容量有限，充电时间较长，使用寿命较短等问题限制了电动汽车的推广与使用。为寻找新的管理模式和商业模式提出开展电动汽车行动力管理的研究，同时，神经网络算法、蚁群算法等智能算法在行动力管理系统中有着较好的应用。为了对荷电状态SoC(State of Charge)、电池健康状态SoH(State ofHealth)等信息进行有效的估算与分析，需要对车载数据进行实时地监测。因此，通过对动力电池电压、电流、温度监测方式的具体分析，分别在两台电动汽车上建立了两套完整的行动力信息监测系统，并实现了数据的远程传输和多客户端显示，试验获得的数据达到后续计算所需的精度。针对动力电池SoC估算的难点，提出基于神经网络和扩展卡尔曼滤波的SoC估算算法。先通过RBF(Radial Basis Function)神经网络对SoC、电流、端电压三者的非线性关系进行辨识，再利用扩展卡尔曼滤波算法估算SoC。试验结果表明，该算法可以保证SoC估算精度，同时与电荷累积法、开路电压法相比具有优势。针对动力电池容量有限、充电时间较长的问题，为优化电动汽车行动力，缓解用户出行顾虑，提出基于蚁群算法的电动汽车行驶路径多目标优化。本文在基本蚁群算法的基础上，对蚁群算法的启发函数和信息素更新函数进行了改进，从而使算法做到快速收敛，并且添加了随机变异策略最大可能获得所有Pareto最优解。实验结果表明，算法推荐的行驶路线是Pareto最优解，并且可以平衡电动汽车耗电和耗时。