非线性共轭梯度法是求解大规模最优化问题深受欢迎的一类算法，也是倍受学者们关注的一类算法.非线性共轭梯度法的研究近年来又有了许多新的进展.本文进一步研究求解无约束最优化问题的非线性共轭梯度法.结合共轭梯度法和投影梯度法，提出一种求解线性等式约束优化问题的共轭梯度型方法，并将该方法应用于投资组合问题.本文还进一步研究鲁棒最优投资组合问题.　　 在第2章，基于Li和Fukushima的修正割线条件，我们提出两种修正Hestenes-Stiefel(HS)型共轭梯度法.两种方法的一个共同性质是算法能产生充分下降方向.不需要采用截断策略和目标函数为凸的假设，我们证明两种方法在标准Armijio线搜索下全局收敛.而且，在较弱的条件下，证明两种方法具有R-阶线性收敛速率.另外，我们给出一种适用的初始步长选取方式，并讨论初始步长在标准Armijio线搜索下的可接受性.数值试验表明该方法有很好的数值效果，可以和CG-DESCENT共轭梯度法相媲美.　　 在第3章，我们将Rosen梯度投影法和修正的Fletcher-Reeves(FR)共轭梯度法相结合，提出一种求解带线性等式约束优化问题的共轭梯度型算法.该算法产生的搜索方向是可行下降方向.在较弱条件下，当采用Armijio线搜索时，该算法具有全局收敛性.我们还证明，当用于求解线性等式约束下二次函数极小值问题时，若采用精确线性搜索，则该算法具有有限终止性.最后，我们研究该算法在Markowitz均值-方差投资组合模型中的应用，数值试验表明该算法较Rosen梯度投影法更有效.　　 在第4章，我们研究鲁棒均值-下半绝对偏差投资组合模型.假定资产收益的期望属于矩形和椭球不确定集，分别给出矩形不确定集下和椭球不确定集下鲁棒均值-下半绝对偏差投资组合优化模型，其中前者可转化为线性规划(LP)问题，后者可转化为二阶锥规划(SOCP)问题.采用上海交易市场上证50的实际交易数据对所提出的模型进行实证分析，结果表明鲁棒均值-下半绝对偏差投资组合优化模型能够获得具有更好财富增长率的投资策略，及更稳定的回报.　　 Conine和Tamarkin以及Andrew和Chen指出金融资产的收益具有非对称的性质，尤其是保险和信用风险资产.已有的鲁棒条件风险模型基本是基于矩形或椭球等对称的不确定集，因此用矩形或椭球等对称的不确定集刻画资产信息的偏差，是导致鲁棒模型过于保守的可能原因之一.在第5章，基于Chen等的鲁棒优化技术，假定投资组合收益的均值属于非对称仿射不确定集，我们提出一种计算上可解的鲁棒条件风险投资组合模型.新方法的突出优点是鲁棒模型保持原问题的计算复杂度，即鲁棒模型仍然是一个线性规划问题，而且该鲁棒模型考虑了资产回报的非对称性.通过模拟数据和市场数据的数值试验，表明新鲁棒优化模型的有效性.　　 条件风险价值(CVaR)因其是一致性风险度量和数学上的凸性，是目前最重要的风险度量方法.然而，近期的研究表明抽样样本的误差对条件价值风险(CVaR)的实际应用产生很大的影响，其原因是条件风险价值（CVaR）的计算依赖于小部分大损失的样本.在第6章，我们提出一种考虑抽样样本的误差的Worst-Case条件价值风险(称之为AWCVaR).我们证明AWCVaR是一个一致性风险度量，并且其鲁棒对应形式仍然是一个线性规划问题.实证分析表明AWCVaR较CVaR更有效.