在过去的几十年内,随着计算机和人工智能的发展,机器学习算法受到科学家越来越多的重视。在大数据时代,筛选出有用的信息,显得尤为重要,机器学习是机器智能化的核心,一些机器学习模型也在实际的测验中带来了前所未有的效果。作为机器学习的一个重要模型,玻尔兹曼机在语音与图像识别、医疗健康、量子多体问题上都有很多应用。玻尔兹曼机是一种概率模型,通过它的堆栈可以获得深度模型,玻尔兹曼机在结合了吉布斯采样和CD方法等算法后,可以快速有效地实现各种数据类型的训练,完成分类、回归等任务。随着对数据处理的需求不断增大,在处理如计算机视觉、图像识别和语义转换等大型任务时,经典玻尔兹曼机模型存在训练速度慢、模型复杂、不能有效训练等问题。而有些量子算法较经典算法在计算复杂度上能够实现指数加速,因此量子玻尔兹曼机通过引入量子的特性有潜力解决这些问题。在现在的大数据时代下,对量子玻尔兹曼机的研究具有重要意义。本文首先介绍了机器学习的监督模型、无监督模型,以及这些模型训练中需要用到的一些重要算法如随机梯度下降、反向传播等。然后对经典玻尔兹曼机如全连接玻尔兹曼机、受限玻尔兹曼机、深度信念网络、深度玻尔兹曼机及其算法进行了介绍。本文还具体介绍了一些量子玻尔兹曼机模型,并结合这些模型提出了本文工作中构建的量子半受限玻尔兹曼机。我们利用量子半受限玻尔兹曼机进行了图像识别的训练应用研究。该模型通过泡利算符构造量子的可见和隐藏单元,基于最大化负数log似然函数下界的方法对参数进行训练,最后用手写数字图像集和伯努利分布集测试该模型。我们将训练结果和经典受限玻尔兹曼机模型上训练的结果作比较,结果显示我们的模型在保真度上略高于经典模型。这表明了量子算法在玻尔兹曼机训练中的可行性和应用前景。本文的研究内容对机器学习模型及玻尔兹曼机训练与优化过程的理解具有一定的帮助,同时这也为以后用量子玻尔兹曼机进行高维复杂数据的训练提供了参考。