随着电动汽车产业化的兴起，锂离子电池在电动汽车领域得到广泛应用，锂离子电池组的有效管理亦成为保障电动汽车性能稳定，安全可靠的关键。荷电状态（State of Charge, SOC）估计作为电池管理技术的核心，受各种非线性因素的影响，且实时性要求高，成为电池管理的难点。剩余寿命（Remaining Useful Life,RUL）预测作为电池管理的另一重要指标，为保障电池的及时更换提供必要依据。但RUL预测是近年来才开始研究的课题，方法有限且缺乏深入分析比较。基于上述考虑，本文重点进行锂离子电池SOC估计和RUL预测的方法研究，及监测系统的设计，主要完成了以下工作：1.锂离子电池荷电状态估计。由于电池内外部非线性因素的影响，同时考虑到磷酸铁锂电池充放电电压相对SOC变化较小的特点，选择具有自适应学习能力的BP神经网络作为训练算法。基于稳态放电实验，探讨了电池容量与充放电倍率等因素之间的关系。基于对电池各项参数与SOC内在联系的分析，选择电流和电压作为BP网络输入，完成神经网络的训练及SOC估计。实验数据表明，提出的算法能达到较好的估计精度。2.锂离子电池剩余寿命预测。本章首先选择了粒子滤波法，支持向量机和自回归滑动平均模型三种方法进行电池RUL预测，根据预测结果比较各自优缺点。进而提出粒子群（PSO）优化的自回归（AR）模型，该模型以均方根误差（RMSE）作为模型的定阶准则，基于PSO算法对模型的定阶方法进行优化。进而结合新陈代谢数据处理技术实现阶数的自适应改变，有效避免了传统AR模型定阶流程复杂的缺陷。最终数据验证得到了准确的RUL预测趋势并有效提高了预测精度。3.锂离子电池监测系统的设计开发。基于SOC和RUL的研究结果，设计锂离子电池监测系统，以满足锂离子电池管理的主要需求。该系统有效实现了电池电压、电流信号的采集，数据传输，数据存储及上位机显示等功能。通过调用SOC估计及RUL预测的动态链接库程序对电池参数进行分析处理，完成了电池SOC的实时估计和RUL预测，获得较好的估计效果及预测精度。