锥模型是二次模型的推广，有更多的自由度，共轭梯度法算法简便，是解大规模非线性优化问题最有效的算法之一，两者结合能发挥更好的优势。目前的锥模型共轭梯度法一般都是先把锥模型近似转化为二次模型后，再通过用二次模型的方法对转化后的二次模型进行求解，最后相应地得到锥模型共轭梯度法的最优解。但在近似转化过程中有可能会失去锥函数的一些特性。因此本文主要研究工作是舍弃目前算法中锥模型对二次模型的转化依赖，将水平向量作为搜索方向的一个部分，并与经典共轭梯度法中的搜索方向相结合，从锥模型自身出发，提出了新的解大规模优化问题的锥模型共轭梯度法及其改进算法，证明了新算法的全局收敛性，进行了数值比较实验。　　 论文共分五章。第一章简要介绍了最优化的相关问题及本文研究的问题。第二章对锥模型共轭梯度法及其相关内容的研究进展情况进行了简要介绍。第三章给出了本文中新锥模型共轭梯度法搜索方向的构造依据和构造方法，分析其下降性，并讨论其中的参数选取。在第四章中，我们利用经典共轭梯度法的框架进行迭代，提出了求解大规模优化问题的新锥模型共轭梯度法算法，并引入相关判断准则，给出了新算法的改进算法，证明了新算法的全局收敛性。在第五章中，我们对第四章中提出的新算法及其改进算法进行数值比较实验，分析数值结果，得出相关结论。理论与数值实验结果表明本文提出的算法是一个值得关注的有效算法。