铅酸蓄电池自发明以来就得到广泛使用，正确地使用和维护铅酸蓄电池是延长其寿命的有效手段，其中，铅酸蓄电池的荷电状态是实现这些有效手段的重要依据。本文首先研究了影响铅酸蓄电池荷电状态的因素，根据这些因素与荷电状态之间的非线性关系，本文尝试利用误差反向传播（Back Propagation,BP）神经网络作为铅酸蓄电池荷电状态的估计模型；但是考虑到在实际情况下应用神经网络时需要采集大量的数据作为训练样本，非常耗时，因此本文利用在小样本下也具有同样优越性能的支持向量机（Support Vector Machine,SVM）作为铅酸蓄电池荷电状态的估计模型，并采用粒子群优化（Particle Swarm Optimization,PSO）算法对其参数进行寻优操作；考虑到PSO算法中的后期收敛速度慢和容易陷入局部最小值的问题，本文提出利用扩展粒子群优化（Extended Particle Swarm Optimization,EPSO）算法对基于SVM的铅酸蓄电池荷电状态估计算法中的参数进行寻优操作。最后介绍实验系统的搭建以及实验验证本文所提方法的可行性和优越性。具体工作从以下几个方面开展。　　首先，本文研究铅酸蓄电池的工作原理，分析了铅酸蓄电池的对外电路的输出特性，并根据铅酸蓄电池的荷电状态的定义，得出铅酸蓄电池的对外电路的输出特性中影响荷电状态的因素，确定估计算法的输入变量。　　然后，本文通过查阅文献得知，铅酸蓄电池的荷电状态估计是一个典型的非线性估计问题，因此本文尝试利用在解决非线性问题上具有优越性的神经网络对铅酸蓄电池的荷电状态进行估计。根据输入变量以及输出变量，本文设计了基于 BP神经网络的铅酸蓄电池的荷电状态估计模型，并对其进行了仿真分析，得出其在铅酸蓄电池的荷电状态估计上的优缺点。　　其次，本文通过分析BP神经网络在铅酸蓄电池的荷电状态估计上的优缺点，并联系实际情况，设计了基于SVM的铅酸蓄电池的荷电状态估计模型。相比起基于BP神经网络的估计模型，该模型在满足估计精度的要求下能更好地应用到实际情况中。　　再次，针对SVM估计模型中的参数寻优问题，本文提出了利用EPSO算法对其参数进行寻优。对于基于SVM的铅酸蓄电池的荷电状态估计模型中的参数选取问题，本文分别采用EPSO算法和PSO算法两种算法对其参数进行仿真寻优，对比仿真结果，验证了本文所提出的EPSO算法在SVM铅酸蓄电池荷电状态估计模型的参数寻优过程中的优越性。该算法比PSO算法收敛速度快，并且有效避免了PSO算法中容易陷入局部最小值问题。　　最后，本文通过搭建铅酸蓄电池实验控制系统，对铅酸蓄电池进行放电实验，采集实验数据，对实验数据进行处理分析，验证所提出的基于EPSO的SVM铅酸蓄电池的荷电状态估计算法在实际情况中的可行性以及优越性。