无约束优化是非线性优化的基础。本文给出了求解无约束优化问题的两类算法的改进：一类是不用导数信息的Hooke-Jeeves算法，另一类是需要导数信息的共轭梯度算法。　　目前，求解无约束优化问题的不需导数信息的算法已有多种，如：坐标循环算法， Hooke-Jeeves算法和Rosenbrock算法等。然而，用带尚散步的标准Hooke-Jeeves算法(HJADS)求解无约束优化问题，目标函数值在加速步有可能增大。本文第二章将给出一个修正的HJADS(MHJADS)，该算法能确保目标函数值在其加速步中不增。数值试验结果表明，MHJADS与HJADS相比，其函数值计算次数明显减少。　　在求解无约束优化问题的需要导数信息的各种算法中，共轭梯度算法因其迭代格式简单和储存量小等优点，特别适合求解大规模无约束优化问题。由于标准的A rm ijo线搜索条件不能确保LS共轭梯度算法(LSCGA)的全局收敛性，唐春明等人证明了LSCGA在一个A rm ijo型线搜索下的全局收敛性。本文第三章受唐春明等人的思想的启发，给出针对一个修正LS共轭梯度算法(MLSCGA)的新的Armijo型线搜索(ATLS)方法，并证明了MLSCGA在ATLS条件下具有充分下降性和全局收敛性。数值试验表明，本章给出的算法是有效的。　　由于HS共轭梯度算法(HSCGA)具有较差的理论性质，韦增欣等人给出了一个修正HS共轭梯度算法(MHSCGA)，其中的共轭梯度参数在W olfe线搜索下具有非负性，MHSCGA在强Wolfe线搜索下具有充分下降性和全局收敛性。本文第四章受韦增欣等人的思想的启发，给出了一个新的修正HS共轭梯度算法(MHS*CGA)，其中的共轭梯度参数不依赖线搜索条件具有非负性。MHS*CGA不依赖线搜索条件具有充分下降性，并且在Wolfe线搜索下具有全局收敛性。数值试验表明，本章给出的算法是有效的。