对于求解重特征值和密集特征值问题，通常一步迭代求一个近似特征对的方法都会因为问题的条件变“坏”而导致有效性下降。解决这个问题的手段很多，块方法是比较有效的一类。 Jacobi-Davidson(JD)方法是计算大型矩阵极端特征值问题的一种有效方法，但是当它遇到上述问题时，它的修正方程的系数矩阵会变得很病态甚至奇异。基于这一事实，本文研究了JD方法的块形式，提出了块JD(BJD)方法：选择一个块规模参数p，每次迭代都计算p个Ritz对而不是一个，对每个Ritz向量修正方程都做出校正，使得投影算子与所有的Ritz向量正交，从而避免了修正方程的系数矩阵条件变“坏”。 此外，结合精化策略和收缩技术，本文还提出了精化BJD(RBJD)方法和收缩的RBJD(DRBJD)方法。精化理论的分析表明，RBJD方法比BJD方法更有效，它改善了近似特征向量的收敛性态，提高了算法的收敛速度和可靠性；DRBJD方法减少了可能存在的重复运算，进一步提高了算法的效率。