Les Switching Markov State-Space Models sont des modèles à espace d'états dont les paramètres sont dirigés par une chaîne de Markov cachée. Cette généralisation permet, par exemple, de modéliser des systèmes linéaires mais localement. Malheureusement l'implémentation des SMSSM dans des applications réelles rencontre de nombreux problèmes. Nous intéressons ici aux problèmes d'identifiabilité, de l'estimation des paramètres, du choix de l'ordre du modèle et de l'estimation en ligne de la variable d'intérêt. Pour illustrer notre méthode, nous considérons le problème de l'estimation de l'état de charge (Soc) d'une batterie électrique. Nous présentons un nouveau modèle pour le Soc et effectuons son implémentation. Les résultats obtenus sur des données réelles, montrent la pertinence d'utiliser un SMSSM pour estimer de manière précise le SoC d'une batterie pour divers profils d'utilisation.