量子计算是基于量子力学的全新计算模式,具有远超经典计算的强大并行计算能力。量子人工智能,是量子计算领域最前沿的发展方向。因此,开展量子深度神经网络的研究,意义重大。本文针对当前量子深度神经网络的现实应用研究欠缺、模型设计、算法开发、数值实验不成体系、模型训练困难、模型量子优势对比不明确等特点,围绕混合量子经典框架下的关键问题,利用参数化量子线路等技术手段,研究、设计并实现基于参数化量子线路的全连接量子深度神经网络、量子卷积神经网络和量子生成对抗神经网络模型,设计相应训练算法,实现模型和算法的数值实验,分析模型和算法的量子优势,并将其应用于经典世界真实数据之上。通过对比分析、优化参数化量子线路结构,尝试在当下含噪中型量子硬件上探索混合量子经典框架下量子机器学习的未来应用路径。通过对此基于参数化量子线路量子深度神经网络的系统研究,以期实现机器学习实践中经典资源和量子资源的优势互补与无缝衔接,从而为当下人工智能应用提供新的选择。具体取得了以下几方面的结果:首先证明了参数化量子线路能克服量子比特数和线路深度的限制,有效完成经典学习任务并取得一定程度的量子优势。面对变分量子算法在可训练性、准确性和效率方面的挑战,本文引入混合编码、自动微分、联合训练等方法,研究了克服这些挑战的策略并讨论了将它用于量子深度神经网络以获得量子优势的可行路径。该工作可为设计新的基于变分量子算法的深度学习模型提供可靠和清晰的指导。其次提出基于参数化量子线路的全连接量子神经网络模型,即变分量子深度神经网络（VQDNN）模型,基于该模型针对不同尺寸图像识别任务设计三个全连接端到端的量子神经网络分类器,并给出相应训练算法。具体来说,在第一个分类器中,为了适应量子线路模拟和真实量子硬件中量子比特数的局限性——我们采用混合PCA-VQDNN架构。更进一步,在第二个分类器中采用振幅编码方案,充分利用量子编码的指数优势处理大尺寸图像,在第三个分类器中我们使用振幅编码和旋转角编码混合编码方案来完成图像识别任务。最后,我们使用经典神经网络和VQDNN模型在同一数据集上进行了十分类学习任务的对比实验。数值实验在两个基准数据集MNIST和UCI手写数字数据库上进行。实验结果表明,所提出的VQDNN在当前只有有限数量的量子比特情况下,也能高效完成经典数据集上的分类任务。该研究最后分析了全连接量子神经网络在经典数据集上的量子优势,为今后设计新的全连接量子深度网络模型提供借鉴和指导。接着提出基于参数化量子线路的量子卷积神经网络模型,即混合量子经典卷积神经网络（QCCNN）模型。设计了两个基于参数化量子线路的卷积核利用当前量子硬件来解决现实世界问题。这种量子卷积核在应用于现实世界问题时避免了量子机器学习算法的输入和输出问题,它是当前量子机器学习算法面临的主要挑战之一。带有这些量子卷积核的QCCNN使我们能够构建处理低维或高维输入的量子机器学习算法,并有可能在具有有限数量的量子比特和只有浅层线路深度的NISQ设备上实现这些量子深度神经网络算法。数值实验结果表明所提出的基于量子卷积核的QCCNN可以实现出色的分类精度,并且在分类任务上比经典卷积神经网络具有更好的性能,证实了所提出的量子卷积核可以提供出色的分类能力。该工作为今后设计新的量子深度卷积神经网络模型提供借鉴和指导。最后提出基于参数化量子线路的量子生成对抗网络（QGAN）模型。本文设计两类参数化量子线路:Ry与Rz Ry Rz,以探究量子生成对抗网络中参数化门构成及量子线路拓扑结构对生成效果影响机制。基于该两类参数化线路我们设计两个量子生成器,并在1010数字串、离散高斯分布、UCI手写数字和MNIST手写数字四种数据分布上验证量子生成器的生成效果。从数值实验结果看Rz Ry Rz结构的模型具有更好的性能,这是因为Rz Ry Rz三个旋转门能构成任意的单比特门,能最大程度地利用量子态所在的希尔伯特空间。最后,考虑到当下有限量子位的量子计算资源,本文设计实施了不同线路深度组成的生成对抗网络,数值模拟结果显示,手写数字所蕴含的隐式分布需要更复杂、更深的量子线路。该工作为今后设计新的量子生成对抗神经网络模型提供借鉴和指导。