本文主要针对三类大型稀疏线性系统的数值求解问题展开研究,这三类线性系统分别是复对称线性方程组、线性互补问题以及线性离散不适定问题.对这些问题构造快速高效的数值求解方法具有重要的理论价值和实际意义.第二章中对于一类常见的复对称线性方程组,我们将极小残量技术与修正的Hermitian和反Hermitian分裂(MHSS)迭代方法相结合,提出了一种求解上述复对称线性方程组的新的迭代格式,将其称为极小残量的MHSS(MRMHSS)迭代方法.与经典的MHSS迭代方法相比,MRMHSS迭代格式中多了两个迭代参数,但是它们的值可在迭代过程中方便地确定下来.然后,我们详细分析了MRMHSS迭代方法的理论性质.最后,通过四个实际应用中常见的数值算例并通过与几类现有方法进行比较验证了MRMHSS迭代方法的可行性和可靠性.第三章中对于一类大型稀疏且具有非对称正定系数矩阵的线性互补问题,我们将该问题转换为与之等价的隐式不动点方程组,然后给出一种高效的模系矩阵分裂迭代方法,称之为MINPS方法.该方法由内外迭代组成,其中,外迭代借助于模迭代格式,内迭代采用非精确计算方式对每步外迭代中的模迭代方程组实行预处理矩阵分裂迭代技巧.详细地分析了算法的收敛性质,亦通过数值例子比较了MINPS与已有迭代方法,获得了所论算法求解线性互补问题的有效性和可行性.对于科学计算和工程应用中广泛存在的线性离散不适定问题,LSQR是解决这类问题非常有效的方法之一,它具有存储量小、数值稳定性好等优点.但是,考虑到LSQR的迭代解具有半收敛性,即如果迭代步数太少那么迭代解不足以包含问题的解的足够信息,而迭代步数太多将导致迭代解积累大量的误差,所以如何及时地停止LSQR迭代过程显得至关重要.在第四章中,我们通过提出一种简单有效的停止准则进一步研究了LSQR迭代方法,具体来说,就是利用LSQR方法和Craig方法所得迭代解的残差来判定LSQR的正则参数.大量数值结果表明该方法能够很好地解决测量数据中噪音水平未知的实际问题.第五章中我们再次考虑了上述线性离散不适定问题,它的解对数据的扰动非常敏感,通常使用正则化方法来降低解的这种敏感性.基于Donatelli和Hanke(2013)提出的迭代Tikhonov正则化方法(AIT),该方法中用一个易于运算的近似矩阵来近似原矩阵,从而能够减小计算量并对一些实际问题有很好的效果.但是,AIT方法的收敛条件在实际应用中很难满足且对数据扰动较为敏感,为此,我们提出了一种更加稳定的迭代方法来求解线性离散不适定问题,将该方法称为MAIT.文中对该方法的理论性质和收敛情况做了细致的分析.通过数值实验还发现,MAIT方法比AIT方法的适用范围更广泛,特别当测量数据中误差水平较低时,AIT会失效,但MAIT方法仍然可以有效地求解这类问题.