本论文研究求解大规模有界约束优化问题的方法及其全局收敛性，并通过数值试验验证这些方法的有效性，谱投影梯度法和有限记忆拟牛顿法等是求解大规模有界约束优化问题的有效方法，但这些方法存在如收敛慢或计算量大等不足，针对这些不足，本文研究用共轭梯度法和改善的有限记忆拟牛顿法求解大规模有界约束问题，并在较弱的条件下证明了所提出的方法的全局收敛性，在第1章，简单的介绍了本文将要研究的问题及研究意义与发展概况。　　第2章，研究了用共轭梯度方法求解非负约束问题，将子空间思想和经典的LS共轭梯度法相结合，提出了一个可行LS共轭梯度法，该方法能大大地节省存储量，而且在该方法中使用简单的Armijo搜索，且无需求解子问题，能有效地节省计算量。　　第3章，研究了用共轭梯度方法求解一般的有界约束问题。众所周知，用共轭梯度法求解约束问题甚至有界约束问题是优化研究领域的一大难点，该项研究尚不多见，而且已有研究成果存在诸多不足。在这一章里，将第2章提出的可行共轭梯度法推广到有界约束问题，并在较弱的条件下建立了算法的全局收敛性。与已有的同类型算法比较本文提出的方法具有节省计算量和存储空间的优点。数值实验结果表明所提出的算法具有良好的数值效果。　　第4章，研究了用有限记忆拟牛顿法求解有界约束问题，通过对已有的子空间有限记忆拟牛顿法进行改进，提出了一个加速的算法，并建立了算法的全局收敛性，其优点是收敛性条件比已有的要弱，并且使用的搜索方向及投影搜索更容易实现，计算更简单。