量子机器学习是将量子计算的基本特性应用于机器学习所产生的一门交叉学科。将量子态叠加原理以及量子并行算法等加速算法应用在机器学习上,可用以解决当前面对大数据时代激增的数据量,传统的机器学习训练过程缓慢等困难,从而实现对传统经典算法的加速。该领域的研究不仅可以推动机器学习的快速发展,提高数据挖掘分析学习效率以及学习精度,同时也可以推动量子算法在经典算法中的应用。目前在该领域的研究不仅是提出量子无监督聚类算法,量子有监督分类算法等量子机器学习算法,同时部分算法均得到了算法实现,也被应用于图像识别等多个研究领域。k近邻算法作为一种较为简单、应用广泛的监督分类学习算法,针对其计算量大、计算效率低下等不足,研究人员借助量子计算的基本特征以及量子加速算法,提出了量子k近邻算法。通过分析存在的量子k近邻算法得知,算法大多晦涩难懂,可读性不强。基于此我们提出了一种量子k近邻算法,通过利用Oracle操作将经典数据全部存储到量子态上,通过量子操作实现距离的计算,最终得到距离最近的k个值,通过投票从而实现分类。量子k最近邻算法在分类效率和精度方面都优于经典的k最近邻算法。同时利用categorical Tensor Network state图形数据结构来描述量子k最近邻算法。与量子线路描述的量子k最近邻算法相比,它可以使算法中的复杂核心结构更加直观、清晰、可读,同时也保持着计算效率。