光量子通信系统通常由如下部分组成:准备编码载波的光子源发送方;存在与外界环境交互的量子信道;依赖于量子存储单元的量子中继器;量子接收机。其中可以由带存储单元的量子中继器和多条量子信道组成量子通信网络。本工作针对量子通信环节中的量子接收机和量子通信网络节点存储和传输性能的优化进行研究,以提高扰动环境下的量子通信效率和准确性,以及复杂量子网络通信中量子节点的存储和传输能力。具体内容如下:（1）针对光量子通信中,量子接收机区分受扰动的非正交相干态的鲁棒性较差和精度不足问题,本工作提出了一种量子接收机优化策略,称为可学习抗噪量子接收机。在该策略的创新点在于构造一个最优位移算子:将参数化量子电路构造为量子前馈神经网络,以此作为位移算子,用于将当前相干态转换为比原状态更容易区分的状态的策略,并且提高抗扰动能力。通过梯度下降更新量子电路中使用的参数,以找到使错误率最小化的最佳参数组合,并将受量子噪声影响的量子比特用作训练和测试数据。仿真实验表明,可学习抗噪量子接收机可以有效抵御不同类型的强量子噪声。本接收机算法在强噪声信道下的平均误差率为0.18,在强量子噪声的影响下比其他类型的接收机具有更好的性能。（2）在量子通信网络中,通信节点的本地数据存储能力有限,而通信数据随时间不断演化,给节点通信设备带来较大的存储和转发负担。针对这一问题,本工作设计了一个用于量子网格型网络通信的推广的量子漫步算法,该算法可以使网格型通信网络的各通信节点减少8.3%至16.7%的存储压力。该通信方案有灵活的可移植性,在未来的量子物联网系统中有着巨大的应用潜力。为了证明本算法在实际问题中的应用能力,本工作给出了一个具体的物联网智慧交通应用的仿真实验。通过与量子神经网络的结合,可以将该通信方案成功应用在车流量拥塞预测中,通过仿真平台进行实验模拟,实验结果表明该方案的平均预测错误率为0.21,并且可以有效地抵御环境干扰。