大型无约束优化问题一直是优化研究的一个热点、难点问题，同时也由于其在实际中的广泛应用多年来始终引起人们的重视。 本文首先系统地介绍了共轭梯度法、有限存储拟牛顿法、变储存QN-CG法、截断牛顿法等已有的求解大型优化问题的经典算法。 其后，简要地阐述了子空间迭代法的算法思想和计算框架。基于二维子空间的构造，提出了求解大型无约束优化问题的“导数型迭代子空间法”和“无导数型迭代子空间法”。迭代子空间法是解决大型优化问题的另一类有效途径。但是在以往的研究中，大多都借助于经典的优化方法所生成的寻优方向构造子空间。这是一种局限，也正是由于这一点，使得该类算法在与数值优化其它方法的竞争中处于劣势。为此本人尝试运用最少的信息量构造一种新的迭代子空间算法。 最后，分别给出了两种算法对一般性问题和大型问题的数值报告，数值试验表明了算法对大型问题的有效性和可行性。同时也显示了算法相对于共轭梯度法的优越性。