随着近几年电动汽车市场的蓬勃发展,人们对锂离子电池健康、电量监控的要求逐步提高。作为反映电池内部剩余电量和健康状态的两个指标,SOC（state of charge）和SOH（state of health）不仅提示用户及时为电池充电、更换电池,而且承担着支持电池管理系统的正常高效运行的重要功能。SOC/SOH无法直接测量获得,往往需要依赖一定的技术手段对电池内部参数和特征关系的正确提取来估计SOC/SOH。但参数和特征关系受到电池老化、温度和使用工况的共同影响,呈现出复杂的动态耦合关系,为建立精准、全面的电池模型带来了困难,导致SOC和SOH估计方法的鲁棒性降低,温度适用范围狭窄,精度随老化衰退。为了解决此问题,本文旨在研究一种SOC和SOH的联合估计方法,以适应不同的温度环境和老化状态。本文首先对电池电化学机制进行了分析,确定了影响电池老化的主要因素,并有针对性地定性分析了与SOC、SOH有关的各参数耦合关系。在此理论基础上,基于2RC戴维南等效电路模型、电池生热机理和老化经验模型搭建了锂离子电池的热-电-老化耦合模型。然后,设计了短期的电池脉冲放电测试和长期的循环老化实验。基于实验数据,利用最小二乘法对各子模型进行参数辨识和函数关系拟合,最后在不同温度、放电倍率和老化状态下整体验证了模型的精度。由于SOC和SOH的特性各异,SOC可以通过模型的机理关系方便获得,而对于复杂的老化机制,SOH更适用于数据驱动的方法。因此,本文先后探讨了基于无迹卡尔曼滤波（UKF）的SOC估计器和基于长短时记忆循环神经网络（LSTM-RNN）的SOH估计器,对UKF算法原理流程及LSTM-RNN网络框架和添加了防止过拟合功能的训练方法进行了介绍。在此基础上,进一步考虑了温度及SOC、SOH之间的耦合关系,建立了双时间尺度下SOC、SOH的联合估计方法,UKF和LSTM-RNN两个估计器分别在微观和宏观时间尺度上运行,互相更新参数,同时估计SOC和SOH。最后对该方法在不同温度和老化状态下进行动态工况测试,结果表明了SOC和SOH估计误差分别不超过1.3%和0.9%,获得了良好的精度和鲁棒性。