当今世界正面临日趋严重的两大问题:能源短缺与环境恶化。寻找基于低碳能源的,更绿色、更高效的交通运输方案已成为社会研究热点。作为交通运输的重要组成部分,汽车行业迎来了发展与变革的新时期,推进新能源汽车发展已经成为了历史必然选择。作为电动汽车主要能量载体的动力电池不容置疑地成为新能源汽车研究与发展前沿。锂离子电池由于其高能量密度、高输出功率、循环性能好、无记忆效应等优点而成为电动汽车的首选能量载体。然而制造或使用过程中,各电芯之间存在不可忽视的个体差异,电芯差异性直接影响动力电池包的性能并将产生安全性问题。因此,对所有电芯进行管理与控制的电池管理系统十分重要。电池电量状态(State of charge,SOC)作为电池管理系统的核心参数,其估算过程更是重中之重,已然成为新时代的研究热点。本文以锂离子电池为研究对象,搭建了实验平台并对电池进行多模拟工况特性测试,通过大量的实验分析并验证基于所研究的改进型小波神经网络模型的SOC估算算法性能。本文主要内容如下:1)开展了将离散小波变换与自适应小波神经网络相结合的混合型自适应小波神经网络的理论分析,并通过实验证明,基于混合型自适应小波神经网络的SOC估算的精确性、鲁棒性和稳定性等性能指标较好;2)对多层自适应小波神经网络开展了较为深入理论研究,探索和分析了隐含层数对网络逼近能力的影响,并应用于对锂离子电池的SOC估算过程。通过实验分析并研究基于多层自适应小波神经网络的SOC估算算法性能,并通过对输出结果进行分析,得到对基于自适应小波神经网络的SOC算法的通用改进方法;3)以粒子群优化算法、利文贝格-马夸特(Levenberg-Marquardt,L-M)算法作为小波神经网络的学习算法,并通过应用于SOC估算,对比分析学习算法的实际应用效果。4)基于混合型多层自适应小波神经网络,对变温工况进行了初步分析与实验,一定程度上证明基于神经网络的SOC估算算法具有易于建模与适用性强的优点。随着人工智能技术在各行各业得到广泛应用,智能化已成为时代发展的必然趋势。基于神经网络技术的智能SOC估算算法也必将成为智能电池管理系统的基石。因此,本文所研究的基于改进型小波神经网络的一系列智能SOC估算算法有着重要意义。