最优化是运筹学与控制论学科的重要分支,一直是国内外的研究热点.非光滑优化是一类特殊的优化问题,广泛应用于最优控制、联合机会约束规划、信号处理和随机规划等实际领域.近年来,随着最优化在实际应用的不断深入,大部分问题往往表现出两大特点:一是规模庞大,结构特殊;二是问题的函数值和次梯度较难或无法精确计算.从而导致传统的非光滑优化方法无法有效求解.因此,研究这类非光滑优化问题稳定、高效的数值算法有着重要的理论意义和应用价值.本学位论文提出了求解非光滑优化问题的基于非精确数据的两类加速水平束方法.首先,提出求解非光滑优化问题的基于非精确数据的加速水平束方法.基于某些问题的函数值和次梯度无法被精确计算的事实,利用目标函数的非精确函数值和非精确次梯度构造了一种对原目标函数的分段线性近似模型,该模型位于目标函数的下侧.结合加速思想,加速是指在迭代过程中引入三个迭代点列,分别用于更新割平面模型、邻近中心和原问题最优目标函数值的上界.最后,对所提出的方法进行复杂度分析,得到求解非光滑优化问题的最优迭代复杂度,该复杂度不依赖于任何的问题参数如Lipschitz常数和可行集的直径等.其次,文本学位论文在以上方法的基础上进行改进,提出求解非光滑优化问题的基于非精确数据的加速邻近水平束方法.在算法迭代过程中,用一般的邻近函数取代原来的欧几里得范数,该方法既可以有效利用可行集的几何特性,又可以控制割平面模型中所使用的割平面的数量,从而保证了存储割平面所需的内存不会随着迭代次数的增加而线性递增,进而克服了非精确加速水平束方法产生的算法迭代效应,即随着迭代次数的增加,计算量增大导致算法收敛性减弱.此外,该算法不需要输入任何的问题参数也仍然能够得到其最优迭代复杂度.最后,对所提算法进行数值实验,数值试验的结果表明本学位论文提出的用于求解非光滑优化问题的基于非精确数据的加速水平束方法和基于非精确数据的加速邻近水平束方法优于传统的非精确水平束方法.