【摘要】近年来，随着机器学习、模糊理论、神经网络等热门领域的发展以及计算机技术的日益成熟，优化方法越来越受重视，共轭梯度法也吸引了更多学者进行深入学习和研究。目前对共轭梯度法的研究主要分为两类，第一类是直接对共轭梯度参数进行改进，第二类是将不同的共轭梯度法进行混合，例如将两种现有的共轭梯度法进行凸组合，尝试构造新算法。对于不同的混合方法，其优缺点和收敛性特征等方面存在差异。在本文中，基于两项下降的PRP方法和三项下降的PRP方法，我们提出一类下降的PRP方法，当参数取特定值时，方法分别是两项下降的PRP方法和三项下降的PRP方法。而且算法不依赖于线搜索具有充分下降性质。在适当条件下，我们证明算法在Armijo型线搜索下具有全局收敛性。数值实验测试了大规模无约束优化问题，结果表明算法是有效的。