复值神经网络是人工神经网络的重要分支,在工程、生物医学以及物理学等领域已有广泛应用。按照激活函数的不同,可将复值神经网络划分为分离复值神经网络和全复神经网络。分离复值神经网络中使用有界但不解析的分离复值激活函数,可克服全复神经网络的奇点问题,但不能有效捕捉信道间的耦合信息,因此本文研究更具优势的全复神经网络。复梯度学习算法是复值神经网络的一种重要学习算法,但是该算法仍有许多不足,无法避免慢收敛和极易陷入局部极小值等问题。为了进一步提高复梯度学习算法的性能,本文面向全复神经网络提出了一种带有Barzilai-Borwein步长的复值Fletcher-Reeves共轭梯度算法和两种复值谱共轭梯度算法。基于Wirtinger梯度算子下建立了所提算法的全局收敛性理论。论文主要按照以下三个方面展开:(1)采用复Barzilai-Borwein步长和复值Fletcher-Reeves共轭系数对复值Fletcher-Reeves共轭梯度算法进行构造。结合复值Wolfe线搜索技术和共轭梯度算法的收敛准则,我们从理论上证明了带有Barzilai-Borwein步长的复值FR共轭梯度算法的全局收敛性。(2)为了进一步提高性能,我们考虑搜索方向中参系数间的交互性,提出了两种复值谱共轭梯度学习算法,并基于温和的条件对其中一种所提算法进行收敛性分析。(3)通过数值模拟实验对三种复值共轭梯度算法的性能进行估计。数值实验对比结果验证了所提复值算法的性能优势,也间接反映了三种复值算法间的收敛性差异。