半定规划(SDP)是线性规划(LP)的进一步推广，它的约束条件是非光滑的、凸的，因此，SDP是一个非光滑凸优化问题。近年来，SDP在算法和理论上日渐发展，并广泛的应用于组合优化、图像处理、模式识别等相关领域，成为数学规划中一个非常重要的研究方向。在解决数学规划问题的若干方法中，内点法(IPM)具有较好的实验效果和较低的理论复杂度，成为半定规划的核心算法。　　SDP内点法按其约束条件是否可行分成可行内点法(FIPM)和不可行内点法(IIPM)，本文主要研究的是IIPM。一般内点法中理论复杂度小的算法实验效果差，而实验效果好的算法理论复杂度很高，而实际中往往希望在保持较好的实验效果的同时降低算法的理论复杂度。为此，本文提出了两种新的算法，分析了它们的多项式复杂度，并且做了数值实验进行比较。主要完成了以下工作：　　1.首先概括了SDP的发展背景，然后简要总结了SDP的基本概念和理论以及求解SDP问题的常用算法，介绍了SDP的研究现状。　　2.齐次不可行内点法：为了降低SDP模型的迭代复杂度，并且有更好的数值实验效果，本论文研究了一种新的宽邻域上的齐次不可行内点法。SDP问题的KKT条件可以看作一个单调互补问题(MCP)，通过构造齐次模型(HMCP)以及提出新的宽邻域来解这个单调互补问题，从而提出了一种新算法，这种算法容易判定原来的SDP模型是否可行。当取NT方向时，证明了迭代点在新的宽邻域内是收敛的，且迭代复杂度降低到?此处公式省略：，其中n是SDP问题的维数，L=Tr(X0S0)/ε，ε是需要的精度，（X0,S0)是迭代起始点，这比一般的SDP不可行内点法的迭代复杂度低，同时做出了数值实验列表，证明了此方法比其他不可行内点法具有更好的数值实验效果。　　3.一种新的全牛顿步不可行内点法：全牛顿步算法分为可行步和中心步两种全牛顿步，最大的优势就是不用求解步长，使算法的计算量降低。新算法引入了一个特别的核函数，用此核函数来代替可行步中的原始对数障碍函数，得到一种不同于一般算法的可行步，同时给出了一个更大的邻域，在新邻域中对二次收敛性结果的证明进行了改进，并且迭代复杂度和当前全牛顿步不可行内点法最好的迭代复杂度结果一致。