传统的信赖域方法只适合于求解小型无约束最优化问题，因为它需要存储迭代矩阵B<,k>，而且还要求解一个线性方程组B<,k>d=-g<,k>.当Dim（B<,k>）>>1时，存储量是惊人的，而解方程组所花的代价也非常昂贵。 在本文中，我们首先对自适应信赖域算法作了改进，然后结合改进的自适应信赖域算法和有限存储技术，提出了一种新的求解大型无约束最优化问题的算法—有限存储自适应信赖域算法。用信赖域方法求解大型优化问题的困难在于，如何在不存储迭代矩阵的情况下得到一个信赖域下降步。本文克服了这个困难，利用有限存储技术不仅能计算拟牛顿方向-H<,k>g<,k>，而且能同时得到两个矩阵向量积B<,k>g<,k>和B<,k>s<,k>，从而可以运用折线算法获得一个信赖域下降步。在适当的条件下，本文证明了该算法的全局收敛性。数值实验表明，对于大型无约束最优化问题，新算法是可行的、有效的，与若干知名的信赖域型算法相比，具有一定的优势。