大规模非线性优化问题在现实生活各方面有着日益广泛的应用，也因此成为非线性优化研究体系的热点问题。本文针对大规模非线性优化问题当中的界约束优化问题展开研究，从原问题的最优性条件出发，利用仿射尺度变换对变量的边界约束进行隐性处理，建立求取原问题试探步的信赖域二次模型，分别在构造和求解信赖域二次模型的环节中融入子空间实现的思想，提出了两种在子空间上对信赖域子问题求解的内点法：LMTI方法和STI方法。LMTI方法主要利用由有限内存BFGS公式的紧致形式获取的目标函数海色阵的近似矩阵构造信赖域问题模型并对其进行求解；而STI方法在构造的低维子空间上求信赖域子问题的解。在算法的迭代过程中加入内点法的思想，要求每一步产生的迭代点位于可行域的严格内部。通过理论分析证明这两种信赖域内点法与全空间上的信赖域内点法具有同样的收敛性质，在一些前提条件满足的情况下可以达到局部二次收敛。数值实验的结果表明LMTI方法以及STI方法能够适应大规模问题求解的需要，并且LMTI方法的表现优于STI方法，在测试的大多数问题中能够较快收敛至最优解。两种方法都能够在一些问题上与L-BFGS-B方法的效果相媲美，表明了它们的有效性。