Como uno de los parámetros críticos del estado del sistema de gestión de baterías, el estado de carga (SOC) de las baterías de litio puede proporcionar una referencia esencial para la gestión de la seguridad de las baterías, el control de carga/descarga y la gestión de energía de los vehículos eléctricos (EVs). Para analizar la aplicación del aprendizaje profundo en la estimación del SOC de las baterías de potencia de los vehículos eléctricos, este estudio revisó el proceso técnico, los conjuntos de datos públicos comunes y las redes neuronales utilizadas, así como las características estructurales y las ventajas y desventajas de la estimación del SOC de las baterías de litio en los métodos de aprendizaje profundo. En primer lugar, se analizaron los procesos técnicos específicos del método de aprendizaje profundo para la estimación del SOC, incluyendo la recopilación de datos, el preprocesamiento de datos, la ingeniería de características, el entrenamiento del modelo y la evaluación del modelo. En segundo lugar, se resumió el conjunto de datos de baterías de litio que se utiliza comúnmente y públicamente. Luego, se obtuvieron las variables de entrada, los conjuntos de datos, los errores y las ventajas y desventajas de tres tipos de métodos de aprendizaje profundo utilizando la estructura de la red neuronal utilizada para el entrenamiento como criterio de clasificación; además, se discutió la selección de la estructura de aprendizaje profundo para la estimación del SOC. Finalmente, se explicaron los desafíos y las direcciones de desarrollo futuro de la estimación del SOC de las baterías de litio utilizando el método de aprendizaje profundo. En general, esta revisión proporciona información sobre el aprendizaje profundo para la estimación del SOC de las baterías de iones de litio de los vehículos eléctricos en el futuro.