对于求解非线性约束优化问题,一般通过设计迭代算法得到最优解,例如罚函数法,可行方向法和序列二次规划算法等.在这些算法中,序列二次规划算法是求解菲线性约束优化问题的最有效的算法之一.由于它具有超线性收敛和二次收敛等良好特性,从其诞生之日起就吸引了许多学者的广泛关注.同时,众多的学者将其应用到工程与经济等各种实际模型中,并取得了显著的成效.因此,对序列二次规划算法的研究具有重要的理论意义与实际应用价值.　　然而,在传统的序列二次规划算法中,每一次迭代通常需要求解两三个二次规划子问题以得到搜索方向,计算工作量大,难以应用于大规模问题,而且其二次规划子问题可能不相容,也就是子问题的可行集是空集.另外,SQP算法中存在Maratos效应(即,迭代点即使充分接近于最优点,也不能保证步长恒为1,从而影响了算法的超线性收敛性).为了解决这些不足,各种技术相继被提出.本文结合罚函数思想讨论了只含一个二次规划子问题的序列二次规划算法,具体的研究成果包括如下两个方面:　　第一部分:我们提出了一个求解经典一般约束优化问题的序列二次规划算法.首先,将原问题转化为一个只含不等式约束的带参数规划问题.在所提的算法中,每一次迭代的搜索方向只需通过求解一个仅含等式约束的QP子问题得到,从而,减少了计算量.同时,在我们的算法中不需要对Hessian矩阵作正定假设,并且Lagrange乘子自动满足菲负性要求.进一步,在适当的条件下,我们分析了算法的全局收敛和超线性收敛.　　第二部分:针对不等式约束优化问题,我们讨论了一个变异的序列二次规划算法.算法可以从任意点开始,并且罚参数具有自适应性.在算法的每次迭代中,下降方向只需通过求解一个修正的QP子问题得到,这个子问题能够克服传统序列二次规划算法中QP子问题不相容的网难.为了克服Maratos效应,我们通过求解一个线性系统得到一个高阶校正方向.在较弱的条件下,我们证明了算法具有全局收敛和超线性收敛.　　最后,对上述算法进行了数值实验,实验结果表明算法具有有效性和稳定性。