线性锥规划是目前优化领域中最热门的研究课题之一. Nemirovskii在2006年国际数学家大会一小时报告[72]中指出,锥规划是近20年凸优化研究工作中的一项重大突破性进展,主要包括线性规划,二阶锥规划和半正定锥规划这三类常见的对称锥规划.这三类规划可以转化成统一的线性锥规划模型.线性锥规划不仅具有良好的结构特征和对偶理论，而且具备很强的数学表达能力和实用性.许多应用领域中的实际问题都可以描述成线性锥规划的模型,诸如工程管理,金融优化,图像处理和信号处理中的许多优化问题都可以借助于线性锥规划问题的模型来求解.此外,线性锥规划存在多项式时间内点算法,原始–对偶内点算法是其中很重要的一类.原始–对偶内点算法是求解线性规划,二阶锥规划和半正定规划的强有力工具,它可以快速有效的求解大规模锥优化问题.目前已有许多实用的优化软件是基于原始–对偶内点算法开发的.因此,针对线性锥规划研究有效的原始–对偶内点算法具有十分重要的理论意义和实际应用价值.构造一个合适的障碍函数对原始–对偶内点算法的设计和分析起着非常重要的作用.障碍函数不仅可以确定搜索方向,而且还可以简化算法的复杂性分析,改进迭代界.在基于核函数的原始–对偶内点算法中,障碍函数可以通过一个给定的一元核函数来确定.本博士学位论文首次提出了一类新的完全由指数函数构造的自协调指数核函数.作为核函数,本文所提出的自协调指数核函数并不完全满足在基于核函数的原始–对偶内点算法中对核函数要求的‘Eligible’性质.通过进一步研究此函数及其各阶导数之间的性质,证明自协调指数核函数的二阶导数和三阶导数之间满足自协调性质.基于此类自协调指数核函数,分别针对线性规划,二阶锥规划和半正定规划设计原始–对偶内点算法,并对算法进行复杂性分析,得到大步校正内点算法的迭代界.本文主要工作包括:1.针对线性规划问题,基于自协调指数核函数设计了原始–对偶内点算法.利用由自协调指数核函数定义的障碍函数来确定搜索方向,并利用相应的障碍函数作度量函数来估计迭代点与中心路径之间的距离.在算法的复杂性分析中,利用牛顿法极小化目标函数为自协调函数的无约束优化问题得到了算法内迭代中障碍函数的下降量,并得到了更新μ-乘子之后障碍函数的上界,最终得到了大步校正内点算法的迭代界.最后我们给出线性规划的数值算例验证了算法的实际计算效果.2.针对二阶锥规划问题,基于自协调指数核函数设计了原始–对偶内点算法.首先利用向量的谱分解给出了二阶锥上的向量值函数,并根据向量值函数来确定相应的障碍函数.进一步地,我们利用障碍函数来确定搜索方向并作度量函数来估计迭代点与中心路径之间的距离.在若当代数结构下,分析了二阶锥规划的中心路径.在算法的复杂性分析中,基于二阶锥上内积的定义,我们首先利用牛顿法极小化目标函数为自协调函数的无约束优化问题得到了算法内迭代中障碍函数的下降量.其次根据向量值函数的性质,通过计算得到了更新μ-乘子之后障碍函数的上界,最后得到了大步校正内点算法的迭代界.我们通过一些数值算例验证了算法的实际计算效果.3.针对半正定规划问题,设计了基于自协调指数核函数的原始–对偶内点算法.首先引入矩阵函数来确定相应的障碍函数,使用障碍函数来确定搜索方向并作度量函数来估计迭代点与中心路径之间的距离.在算法的复杂性分析中,根据矩阵函数的性质,利用牛顿法极小化目标函数为自协调函数的无约束优化问题得到了算法内迭代中障碍函数的下降量,并得到了更新μ-乘子之后障碍函数的上界,最终得到了大步校正内点算法的迭代界.最后我们给出半正定规划的数值算例来验证算法的实际计算效果.