近年来,电动汽车由于环保,能量利用率高和低噪音的优点已经成为了汽车发展的主流方向,而电池作为电动汽车的储能元件一直是制约其发展的主要瓶颈。相对于铅酸电池,镍氢电池和镍铬电池而言,锂离子电池因其能量密度高,充电速度快,无记忆性的优点而被广泛的应用于电动汽车。电池管理系统(Battery Manegement Syetem,BMS)能够确保锂离子电池安全有效工作,锂离子电池荷电状态(State of Charge,SoC)和健康状态(State of Health,SoH)的估计是BMS的基础,但SoC和SoH无法实时测量。因此,如何提高SoC和SoH的估计精度成为了当今研究的热点问题。本文研究锂离子电池的SoC和SoH估计问题,包括电池的模型建立和估计算法设计。高精度电池模型的建立是实现SoC和SoH估计的基础,电池模型主要分为等效电路模型和电化学模型。由于后者模型精度较高,本文将其用于SoC和SoH的估计。平均电极电化学模型是一种应用较为广泛的电化学模型,本文在分析平均电极电化学模型的基础上,对其进行修正,建立了充放电工况下的电化学模型。本文分析了美国先进电池联盟(United States Advanced Battery Consortium,USABC)的电池测试标准,利用该实验数据对电池进行建模并对比等效电路模型,验证了本文所建立模型的正确性。基于建立的平均电极电化学模型,本文研究了Luenberger观测器估计算法在存在模型误差的条件下,观测误差不会收敛零。本文提出了高阶滑模观测器估计算法来估计电池的SoC,通过USABC测试获得的数据,验证了高阶滑模观测器估计SoC的精度和鲁棒性。本文分析了电池内部的电化学特性,将负极锂离子最大浓度定义为电池的SoH。本文利用非奇异终端滑模控制策略,解决了Super-twisting滑模观测器估计算法存在收敛速度慢,误差大的问题。本文利用SoH变化较为缓慢的特性,建立了不同时间尺度的双滑模观测器同步估计SoC与SoH。利用电池实验测量的数据,验证了本文提出的双滑模观测器估计精度和鲁棒性,估计误差均小5%,满足实际要求。本文提出的方法不仅可以用于估计电池的内部状态,还可以用于指导电池的快速充电和预估车辆的剩余里程,对电池管理系统的开发有重要意义。