非负矩阵分解(Non-negative Matrix Factorization，简写为NMF)不仅是一种实用的矩阵分解方法而且是一种有效的特征提取技术。它具有实现简便、易于存储、分解结果可解释的优点.在数学上，NMF是一个带有非负约束的优化问题.本文中，基于稀疏非负矩阵分解模型和欧几里得距离模型，提出了关于NMF的有效算法。　　本研究主要内容包括：⑴针对带有标准的Tikhonov正则项的稀疏非负矩阵分解模型，提出了一种新的共轭梯度算法(NCGNMF)，且建立了NCGNMF算法的收敛性.数值实验结果表明提出的算法对求解NMF是有效的。⑵将NMF问题通过交替非负最小二乘法(ANLS)转化为两个非线性无约束优化子问题，针对ANLS的子问题，提出了一种非单调谱共轭投影梯度法(NMSCGP)，且对该算法进行了收敛性分析.实验结果表明NMSCGP算法对NMF是可行的。⑶针对NMF问题，提出了一种带有两个参数的非精确迭代算法(IUMDP)，该算法可以通过二次函数的局部单调性保证目标函数在找到最优解前总是下降的.数值实验结果显示IUMDP算法对NMF问题中是非常有效的。