近年来，随着计算机的飞速发展以及实际问题的需要，大规模的优化问题越来越受到人们的重视。而共轭梯度法由于具有算法简便、易于编程、以及需要存储空间小等优点，成为解决大规模无约束最优化问题的一种主要方法。 本文对求解大规模无约束优化问题的有效方法——共轭梯度法中的几类含参数共轭梯度法的全局收敛性进行了分析，以下是本文所做的主要工作： 1．根据FR方法，给出了一族含两个参数的共轭梯度法：证明了其在推广的Wolfe非精确线搜索条件下，搜索方向具有下降I生，这一族共轭梯度法具有全局收敛性：最后，对算法进行了数值试验，试验结果验证了该算法的有效性。 2．根据FR方法及CD方法，给出了一族包含FR方法和CD方法的含参数共轭梯度法：证明了其在推广的 Wolfe非精确线搜索条件下，搜索方向具有充分下降性，这一族共轭梯度法具有全局收敛性；最后对算法进行了数值试验，试验结果表明该算法是有效的。 3．对FR方法进行了修正，得到一族包含FR方法的单参数共轭梯度法：证明了其在推广的Wolfe非精确线搜索条件下，搜索方向具有充分下降性，算法具有全局收敛性：最后，对算法进行了数值试验，试验结果显示出该算法的有效性。 4．对 FR 方法进行修正，得到一族包含 FR 方法的含两个参数的共轭梯度法：证明了其在推广的Wolfe非精确线搜索条件下，搜索方向具有下降性，算法具有全局收敛性：最后，对算法进行了数值试验，试验结果显示出该算法的有效性。