Los métodos de gradiente conjugado son ampliamente utilizados y atractivos para problemas de optimización suave a gran escala sin restricciones, con una computación simple, bajos requisitos de memoria e información teórica interesante sobre las características de la curvatura. Basándose en la propiedad de convergencia fuerte del método Dai-Yuan y el atractivo rendimiento numérico del método Hestenes-Stiefel, en este artículo se propone un nuevo método híbrido de descenso de gradiente conjugado. El método propuesto satisface la propiedad de descenso suficiente independientemente de la precisión de las estrategias de búsqueda de línea. Bajo las condiciones estándar, se establecen la propiedad de región de confianza y la convergencia global, respectivamente. Los resultados numéricos de 61 problemas con 9 dimensiones a gran escala y 46 problemas de matrices mal condicionadas revelan que el método propuesto es más efectivo, robusto y confiable que otros métodos. Además, el método híbrido también demuestra resultados confiables para algunos problemas de restauración de imágenes.