本文将传统的BP神经网络和RBF神经网络与量子并行计算的概念相结合,设计得到两种全新的量子神经网络模型,分别为量子BP神经网络模型(Quantum BP Neural Network Model,QBP)与量子RBF(RadialBasis Function)神经网络模型(Quantum RBF Neural Network Model,QRBF),此类量子神经网络模型综合了量子与神经网络二者各自的优点,既具备量子并行计算的较快运算速度,又具备神经网络处理非线性能力强的优势,可谓是取二者之所长,集一家之大成。其中,船舶自动舵是无人船航向保持控制问题研究中的重要组成部分,其性能的好坏直接关乎无人船的航行安全。因此,研究设计一种能够更好地保障无人船海上航行安全的量子航向保持控制器就显得十分重要。在本文研究中将该类量子神经网络模型应用在无人船航向保持控制问题的研究上,并且通过一系列的仿真对比实验与物理仿真对比实验证明了量子神经网络模型的航向保持控制能力。本文所做的工作如下:1.认真研究了经典的BP神经网络模型与经典的RBF神经网络模型,并对其各自的模型结构、学习算法以及运作机理模式进行了深入的研读。介绍了两类神经网络的各自结构,从理论上分析了两种神经网络的收敛性能与运算机理。2.又介绍了关于量子计算的基本知识,并引入量子寄存器概念,将实数态的输入值通过神经网络转换为可以用量子寄存器表示的量子态,那么此时的神经网络就将输入值简化为一个n位的量子叠加态,与此同时对于神经网络的隐含层来说,也可以采用量子寄存器的概念来表示,那么就可以用酉算子的方式来对其进行调整,以此来利用神经网络的并行性运算特性,提高神经网络收敛速度。3.设计一个结构简单,易于操作的非线性PID(Nonlinear pid,NPID)航向保持控制器来担任量子神经网络航向保持控制器的教师控制器。本文研究中采用一种较为简单的sine函数与传统PID结合的方式,来构建NPID航向保持控制器。4.通过一系列的仿真实验与实船实验对比得到结果,对于无人船的航向保持控制能力,QRBF航向保持控制器在收敛速度上与鲁棒性能方面都要优于QBP航向保持控制器。