与传统的一次电池相比,锂离子电池作为一种可循环使用的新型供电能源,由于其所具有的续航时间长、放电电流稳定、循环寿命长等优点,目前已经引起世界各国的高度重视,在民用、军事等领域被广泛使用。而锂离子电池的荷电状态和健康状态,是监测评价电池使用性能的核心指标,动力锂离子电池的荷电状态（SOC,State of Charge）表征的是当前充放电循环周期下电池剩余可放电容量与最大可放电容量的比值。准确预测电池荷电状态对于提升车辆驾驶性能,实时监测车辆的剩余里程有重要意义。电池健康状态是根据计算锂离子电池的额定容量与剩余使用寿命（RUL,Remaining Useful Life）相关性规律得出的一种评估。电池额定容量指的是在一定的放电条件（一定沉度、一定的电流密度和终止电压）,电池所能放出的电量。RUL表征的是电池放电性能大小（或电池最大可放电容量）,SOC及SOH（State of Health）都是电池管理系统中的重要参数,二者相互配合,从而使电池状态预测更为精准。常见的分析方法有:数学模型法、以神经网络为首的智能算法、直接测量法等。这些方法大都具有预测精度较高的优点且部分算法建立的预测模型相对简单,程序运行速度快,但仍存在一些问题:电动汽车在SOC预测时易受电流波动、工况非线性等因素影响,从而产生较大误差的问题。在实际工况下对锂离子电池健康状态进行估计时,数学建模困难、内部参数测量复杂、模型自适应性差的问题;针对以上问题,本文主要研究内容如下:（1）对车载锂离子电池的工作状态、内部化学反应机理等进行了详细介绍。将常用的电池等效模型与SOC及SOH的预测难点相结合并分析各个模型的优劣性,同时综合考虑外界环境及电池自身因素影响,探寻二者间相互联系。从影响因素来看,SOC和SOH的影响因素大致相同,均易受环境温度、充放电电流、电压等环境因素的影响,但SOH作为SOC的影响因素之一,其对SOC的预测精度有着直接的关系,同时为避免重复计算,应先对SOH进行分析。（2）由于电池寿命影响因素的复杂性,为了使电池整体的SOH预测更加精准,将影响电池额定容量的因素进行划分,并按照影响程度划分为内部退化因素和特性影响（外部）因素。特性影响因素按照对电池SOH预测误差的影响程度使用主元提取法（KPCA,Kernel Principal Component Analysis）对其进行二次划分:主要影响因素（温度、充放电倍率）和偶发性因素（采集器误差、湿度）。由于该类特性影响因素具有动态、非线性的特点,需要结合本文提到的经由粒子群改进的径向基神经网络算法计算得到的较为准确RUL预测数据,将预测得出的RUL数据结合恶劣工况下电池放电性能退化情况（温度过冷、热,过充、放电,过流等）,对其进行修正。将修正后的RUL值作为输入端,结合偶发性因素及特性影响因素代入粒子群优化径向基神经网络算法（PSO-RBF）当中,依据当前行车环境进行额定容量预测。从而实现对动态额定容量的快速准确预测。（3）通过使用上文得到的较为准确的SOH数据,进一步对SOC进行预测。综合考虑多种算法优劣性,选用优化的径向基神经网络算法对SOC进行估计。SOC计算精度主要受SOC初值（SOC₀）、电池标定容量（CN）、温度等因素影响,结合电池充放电特性,将电池分为充电、静置、放电三个状态以降低运算时间,提升预测精度。依据汽车行驶时电池所处的不同工作状态采取相应的策略对SOC进行预测。电池放电阶段使用经由粒子群改进的径向基神经网络,通过采集电池的开路电压、温度、放电倍率、循环次数等数据对SOC进行动态预测;电池处于静置状态及充电状态时,其所处环境较为平稳,电流、温度变化不大,为减少计算量,将考虑温度漂移的开路电压曲线及充电时电流节点突变曲线制成二维数组表,使用二分查表法中的比例查找法,对汽车行驶时动态测量得到的SOC预测值进行修正。实验使用省重点实验室测量得出的电池剩余使用寿命数据及SOC测量数据进行仿真模拟,同时引入美国国家航空航天局公开的电池数据进行对比实验,结果表明经由KPCA算法进行成分分析后使用优化后的PSO-RBF算法预测剩余使用寿命的平均误差为1.9%,额定容量预测误差为2.3%,结果证明该SOH预测模型具有一定的可行性。同时,将得出的电池健康状态数据输入至SOC预测模型中,结合模拟道路行驶得出的SOC变化曲线及温度、电压等环境变化数据,最终得出分阶查表法预测的SOC的最大误差为2.1%。总体而言,该模型具有较高的预测精度,且运算时间快,具有一定的可行性。