近年来,由于具有功能强大和快速学习等优势以及在多个领域上的成功表现,复数值神经网络已经引起了人们的广泛关注。一些用于复数值神经网络训练的学习算法也相继被提出。其中,复数值梯度下降算法和复数值L-BFGS（CL-BFGS）算法是最为常用的两种算法。然而,由于采用负梯度作为搜索方向,复数值梯度下降算法容易受鞍点的影响,收敛速度较慢,容易陷入局部极小值。作为一类被广泛使用的复数值拟牛顿算法,CL-BFGS算法在每次迭代时需要保存m对向量组计算海塞矩阵的逆。相较于其它拟牛顿算法,CL-BFGS算法能够利用较小的内存达到快速而稳定的收敛。但是,CL-BFGS算法中记忆尺度m的选择对算法性能的影响较大。在大多数情况下,都是基于以往的经验来选择特定的m,这导致了 CL-BFGS算法的性能受人为因素影响较大。因此,本论文主要研究复数值神经网络的训练问题,在复数值梯度下降算法和CL-BFGS算法的基础上,提出了几种适合复数值神经网络训练的自适应学习算法。首先,本论文提出了一种自适应复步长调整算法。通过引入尺度因子和旋转因子分别对复步长的幅度和相位进行调整,使得在每次迭代时都能找到更合适的搜索方向。实验结果表明,一旦陷入鞍点附近的区域,我们提出的算法能够使得学习迅速逃离鞍点,从而以收敛速度更快得到更加精确的解。其次,为了避免记忆尺度的选择对CL-BFGS算法性能的影响,本论文提出了基于自适应混合方向的CL-BFGS算法（CL-BFGS-HD算法）。该算法在迭代过程中通过强化最新曲率信息的利用构建不同的混合搜索方向,然后结合复数值线搜方法计算相应的步长,最后采用基于训练误差的选择机制自适应地选择合理的搜索方向和步长,从而提升CL-BFGS算法的性能。最后,为了更加有效地解决CL-BFGS算法中记忆尺度选择困难的问题,本论文提出了自适应记忆尺度的复数值L-BFGS算法（ACL-BFGS算法）。该算法的基本思想是在每次迭代时从一个可变集合{1,2,…,M}中选择合适的记忆尺度m。对固定的M,借助于多步拟牛顿法寻找最优的矩阵的记忆尺度m,使得计算得到的拟海塞矩阵尽可能逼近海塞矩阵。同时,为了降低计算量并取得更好的性能,根据以往迭代时选择的记忆尺度的变化趋势,提出了M的自适应调整策略。此外,为了进一步提升ACL-BFGS算法的性能,在每次迭代时,我们选择多个记忆尺度来构建搜索方向,从而实现复数值神经网络的高效学习。为了验证本论文提出的三种自适应学习算法的有效性,本论文给出了在实数值模式分类、复函数逼近以及信道均衡等实际问题上的实验结果。结果表明,在实数值模式分类问题上,相较于原来的算法,本论文提出的算法测试准确率至少提高了0.6%。而在函数逼近和信道均衡问题上,提出的算法收敛速度提升了大约10%。