锂离子电池内部结构复杂，受充放电倍率以及自身老化程度等多因素影响，造成SOC准确预测较为困难。为提高SOC预测精度，本文提出一种扩展卡尔曼滤波（EKF，Extended Kalman Filter）与具有外部输入的循环神经网络（NARX）相结合的算法。首先以戴维南模型为基础，通过引入NARX神经网络预测电池极化电压，提高模型精度。然后结合扩展卡尔曼滤波算法对SOC进行预测。最后设计了不同输入类型的NARX神经网络A和B，与对照组直接预测SOC的前馈神经网络，分别在训练工况、动态应力测试（DST，Dynamic Stress Test）工况和UN/ECE（UN/ECE，United Nations Economic Commission for Europe）工况下进行对比。结果表明，在不同工况下，A类NARX神经网络误差最小。由此得到了在复杂的非训练工况下保持较高预测精度的NARX神经网络结构，并验证了基于EKF-NARX算法在线预测SOC的可行性。