惩罚型方法和无惩罚型方法求解约束优化问题时,都有可能产生Maratos效应,通过Maratos效应,一个满SQP步可能导致目标函数值和约束违反的度量都增大,从而导致算法不能快速局部收敛。克服Maratos效应的常用方法是采用二阶校正方法和非单调技术,这两种方法都将使算法实现变得较为复杂。研究既不使用二阶校正方法也不使用非单调技术,而是直接使用拉格朗日函数克服Maratos效应的方法有着重要的理论意义和应用价值。　　本文对非线性等式约束优化问题提出一种带信赖域结构的无惩罚型方法,尝试步由法向步和切向步组成,并根据当前迭代点处拉格朗日函数的预测下降量、约束违反度和信赖域半径之间的关系确定当前迭代是f?型迭代还是c?型迭代。对于f?型迭代,算法要求拉格朗日函数值有充分下降,对于c?型迭代,算法要求约束违反的度量有充分下降,算法无需可行性恢复阶段,既不采用二阶校正方法也不使用非单调技术。在通常的假设条件下,我们分析了该算法的适定性,证明了算法的全局收敛性,并在二阶充分条件下,证明了该算法是一步超线性收敛的。最后,我们对优化测试环境CUTEr中的109个中小规模的等式约束优化问题进行了初步的数值实验,并与国际上著名的优化软件包Lancelot软件的计算结果进行比较,结果表明新算法是比较有效的。