由于全球经济的不断增长,能源危机越来越严重,并且伴随着化石能源的消耗所带来的是日趋明显的大气污染等问题。根据广泛的研究表明,尾气排放是造成大气污染及温室效应的主要凶手。因此电动汽车将会成为代替燃汽油车的重要途经之一。在电动汽车中,有必要对电池相关状态指标进行必要的研究,其中包括电池的SOC即电池荷电状态和电池模型参数估计。SOC预测的准确性可以直接反应电池目前的续航里程,高精度的SOC估计可以大幅度提高电池的利用效率,有效降低动力电池的使用成本;电池模型参数的在线辨识可以使得电池模型参数随着外界温度、电流、老化等因素变化而变化,从而电池模型可以在不同条件下更加准确的表征的电池的电化学反应,为后续的状态监测建立更加准确的基础。因此本文研究的重点是以电池SOC和电池模型参数同步估计为研究目标,开展了以下研究:（1）根据电池实验所获得的数据,结合不同参考文献,建立了复杂度和精确度适中的二阶RC等效电路模型,并进一步建立模型的数学方程以及假设电池模型参数在单位采样时间内为固定值对电池模型离散化表达。此外采用改进的粒子群优化算法（MPSO）对所建立的二阶RC等效电路模型结合不同温度下的实验数据进行离线参数辨识,最终MPSO算法在不同温度下辨识出来的模型参数计算所得到的端电压平均误差为5.5m V左右;最大误差为小于60m V。实验结果一方面有效验证了二阶RC等效电路模型可以正确的表征电池内部化学性质,另一方面充分证明了MPSO算法在离线辨识电池模型参数时的有效性及实用性。（2）结合MPSO算法离线辨识得到的电池模型参数,首先对卡尔曼滤波算法（KF）进行了基于正交投影法的理论推导,验证了其用于SOC估计方面的可行性。但是由于电池内部高度非线性的特性,于是引入扩展卡尔曼滤波算法（EKF）进行电池SOC估计。但是EKF假设过程和测量噪声不变,严重依赖于噪声预知信息的准确性,因此引入自适应滤波算法,并且还探讨了自适应滤波算法中移动窗口大小对自适应算法的影响,因为移动窗口的大小决定了算法的灵敏度和包含的数据新息。最终经过不同动态工况的仿真,在SOC初始值不准确的情况下,采用EKF算法得到SOC平均估计绝对误差小于5.00%,平均估计相对误差小于7.50%;引入自适应滤波算法后,SOC平均估计绝对误差小于1.80%,平均估计相对误差小于4.00%。实验结果充分验证了自适应滤波算法和EKF对于状态估计的有效性和工况适应性。（3）介绍了基于SOC变化量的多时间尺度自适应双扩展卡尔曼滤波算法（Multi-SocADEKF）。首先介绍了双扩展卡尔曼滤波器算法（DEKF）在对于电池进行在线参数辨识和状态估计的优势和缺点,具体表现为DEKF的工况适应性好,计算量适中,可以更好的满足电池模型参数实时更新的需要,但DEKF均假设系统噪声和测量噪声信息是不随统计特性变化而变化,因此将自适应算法与传统的DEKF相结合建立了ADEKF算法;其次因为电池模型参数是一个慢时变的参数,在每一个步长内对参数进行辨识不仅会导致算法计算量显著增加还会导致SOC和参数辨识容易出现发散和不收敛的现象,因此本文提出了基于SOC变化量的时间尺度划分原则,可以称之为自适应时间尺度原则,最终建立了Multi-Soc-ADEKF算法。经过不同的仿真工况试验验证,结果显示对于端电压平均估计绝对误差小于1.50m V,端电压平均估计相对误差误差小于0.06%,对于SOC平均估计绝对误差小于1.20%,平均估计相对误差小于3.00%,证明了所提出的算法在SOC估计和电池模型参数同步估计方面的有效性和精确性。