无约束优化理论与方法作为最优化理论研究的基础,被广泛地应用于现实生活中的众多领域.随着大数据时代的来临,优化问题的维数剧增,这为非常适用于求解大规模问题的共轭梯度法带来了发展空间.本文针对大规模无约束优化问题,提出了一种新型谱共轭梯度法和基于修正割线方程的混合共轭梯度法.首先,基于近似最优步长思想和DY法,提出一种新型谱共轭梯度法.算法过程嵌入了无记忆BFGS更新公式以减少计算量和存储量.所提算法可产生充分下降方向.在适当的条件下,建立了算法对于一般函数的全局收敛性.数值结果表明该算法在求解大规模优化问题具有竞争力.其次,将HS法和DY法进行凸组合,提出一种新的混合共轭梯度法.利用牛顿方向和修正的割线方程,确定了自适应混合参数的计算方式.在较弱的条件下,证明了算法对于一般函数的全局收敛性.数值结果表明所提算法能够有效求解大规模无约束优化问题.