非线性规划问题是数学规划中一类非常重要的问题. 一方面, 很多实际应用领域的问题都可以直接建模为非线性规划问题；另一方面, 许多其它科学领域中的重要问题也可归结为非线性规划问题. 所以, 不管是从实际应用价值、还是理论意义的角度, 设计合理、高效的求解非线性规划问题的算法都是至关重要的. 本文主要针对带有约束的非线性规划问题进行了研究, 具体工作如下： 首先在第二章中设计了一种基于全新的仿射变换技巧的求解算法. 受线性规划的启发, 我们得到一个关于当前点的梯度、到边界的距离以及信赖域半径之间的巧妙关系, 并基于此提出了一种新的处理界约束的仿射变换技巧. 这种技巧能够使得算法在靠近解时更快地收敛. 数值实验表明, 新算法比LANCELOT更加有效, 并且明显优于fmincon。 在第三章中, 我们提出了一种内点信赖域方法. 经典的仿射变换方法对于非凸问题, 并没有很好的理论结果. 然而我们充分利用问题的特点, 每步迭代中, 不仅要在Dikin 球中极小化一个二次模型, 还要考虑一个近似的投影梯度步, 通过与信赖域技巧结合, 保证了算法的全局收敛性. 同时, 文中还给出了算法的局部收敛性分析. 在第四章中, 我们将积极集技巧与信赖域思想结合, 提出了一种求解较大规模界约束优化问题的积极集方法. 首先利用仿射变换的梯度步估计了可能积极的约束, 然后在积极约束的零空间中进一步减小目标函数. 理论上证明了算法的全局收敛性, 同时, 我们对CUTEr 中所有较大规模的界约束优化问题进行了测试, 数值结果表明, 与LBFGS-B相比, 新算法的计算效果更好. 我们在第五章中构造了一种新的信赖域方法. 传统的罚函数方法通常需要逐步精确或是近似精确地求解非线性子问题, 该子问题的非线性程度与原问题相同, 所以计算代价仍然很大. 而新方法是基于增广Lagrange函数, 在每步迭代中只需要在信赖域中极小化它的二次近似, 多项式可解, 从而问题难度降低. 同时引入了一个判断条件，确定何时需要更新Lagrange 乘子。并设计了新的更新罚因子的策略, 证明了算法的全局收敛性. 对于CUTEr 中的等式约束优化问题, 计算效果相比于LANCELOT非常好. 在第六章中我们首次将滤子思想、l∞罚函数与信赖域技巧结合, 提出了一种新的算法. 利用罚函数处理一般约束, 从而避免了约束与信赖域结合可能产生的不相容问题；同时结合l∞罚函数的优点, 能更快地减小约束违反度；滤子与罚函数结合, 既避免了传统的滤子方法可能导致的滤子元素过多的问题, 同时也能够防止罚因子增长过快.数值试验表明, 对于测试问题, 新算法较LANCELOT有明显优势.