量子神经网络是一种崭新的技术理论,是量子计算理论与人工神经网络结合的产物。量子神经网络兼具两者的优点,同时又能够利用量子态叠加、量子并行计算和量子纠缠等特性克服传统人工神经网络的某些固有缺陷,极有可能成为未来信息处理的重要手段。本文对量子神经网络模型展开研究,给出了量子间隔的更新式的数学推导,针对量子神经网络模型仍采用BP算法进行训练因而不能避免BP算法的某些缺陷的问题,提出了采用反正切函数作为量子神经网络模型隐含层激活函数,并在权值修正量中引入假饱和预防函数,提出了改进的量子神经网络模型;在对量子遗传算法理论分析的基础上,本文将改进的量子遗传算法与BP算法相结合,提出了量子遗传神经网络混合算法,进一步改进了量子神经网络模型的收敛性能。本文所做的主要工作如下:(1)概述了量子遗传算法,重点对量子旋转门进行了详细分析,通过动态调整旋转角的策略,将旋转角视为与当前迭代代数相关的变量,从而加速了收敛;引入量子交叉和群体灾变操作,提出了改进的量子遗传算法,提高了算法的搜索能力。(2)分析了多层激活函数的量子神经网络模型,给出了量子神经网络模型的量子间隔训练算法的详细推导;提出了改进的量子神经网络模型,引进了比sigmoid函数更为陡峭的反正切函数作为隐含层神经元的激活函数,同时引入了假饱和预防函数,避免网络陷入饱和状态,提高了模型的收敛速度。(3)提出了量子遗传神经网络混合算法,采用量子遗传算法对量子神经网络模型的权值和阈值进行优化,将最优解作为量子神经网络模型的初始权值和阈值,并对算法进行了仿真,将其与现有的量子神经网络模型进行比较,仿真实验结果证明了改进算法的有效性和可行性。