共轭梯度法凭借其存储需求小、算法简单等优点,成为求解大规模无约束优化问题的主要方法之一.共轭梯度法避免了最速下降法收敛速度慢和牛顿法计算量大等缺点,深受学者们的关注.近年来,学者们对共轭梯度法的研究取得了很多的成果,但也有不足的地方.本文在学者们研究的基础上,对混合共轭梯度方法进行了改进,提出了三种混合非线性共轭梯度方法.目前,共轭梯度法不仅是解决大型线性方程组最有用的方法之一,也是求解大型非线性最优化问题最有效的算法之一,它主要包括经典共轭梯度法、修正的共轭梯度法、混合共轭梯度法、谱共轭梯度法和三项共轭梯度法.首先,本文提出一种新的混合β_k公式,从而给出一种新的混合共轭梯度法,利用精确线搜索步长规则,并在适当的假设下证明了新算法的下降性和全局收敛性.其次,基于Jia等人改进的混合公式β_k^Mmix和Rivaie等人提出的公式β_k^RMIL,本文给出一类新的混合β_k公式,从而得到了一种具有充分下降性的混合共轭梯度法,并给出了该算法在Goldstein线搜索下的收敛性证明.最后,受NVPRP*方法和DHS方法的启发,本文把该思想推广到β_k^RMIL上,得到公式β_k^NEW,再结合JMJ方法,提出了一种新的混合共轭梯度方法.并在Wolfe线性搜索下,得到了该方法的下降性和收敛性.