La precisión de la estimación del estado de carga (SOC) está estrechamente relacionada con el método de estimación y el rendimiento de identificación de parámetros de la batería. El método de identificación de parámetros de la batería basado en el factor de olvido de mínimos cuadrados recursivos (FFRLS) tiene las ventajas de una alta precisión en la identificación de parámetros y una rápida velocidad de respuesta dinámica. Con base en esto, se comparan y estudian el rendimiento de dos métodos de estimación de SOC, el filtro de Kalman extendido (EKF) y el filtro de Kalman extendido adaptativo (AEKF). Los resultados muestran que AEKF tiene un mejor rendimiento de estimación de SOC en estado estacionario y dinámico, pero la precisión de la estimación y el rendimiento de respuesta dinámica aún no son objetivos. Para mejorar aún más el rendimiento de la estimación de SOC, se propone un método conjunto de estimación de SOC basado en FFRLS-AEKF, y se realizan experimentos de estimación de SOC con FFRLS-AEKF y AEKF. Los resultados experimentales muestran que el método de estimación de SOC conjunto propuesto basado en FFRLS-AEKF tiene un mejor rendimiento en estado estacionario y dinámico de la estimación de SOC. El error absoluto máximo del algoritmo propuesto es del 4.97%. A medida que aumenta el tiempo de trabajo de la batería, la precisión de la estimación de SOC continúa convergiendo hacia el valor real, y el error absoluto promedio se reduce al 2.5%. Se demuestra que el método propuesto y el análisis teórico son correctos y factibles.