信息科学与生命科学的相互交叉、相互渗透和相互促进是现代科学技术发展的一个显著特点。智能计算就是两者结合而形成的新的交叉学科。作为群体智能算法(swarm intelligence algorithm)的代表,粒子群算法(particle swarm optimization,PSO)具有概念简单、实现方便、收敛速度快、参数设置少等优点,是一种高效的搜索算法,近年来受到学术界的广泛重视。近年来,随着社会的发展,实际问题越来越复杂,粒子群算法早熟的缺点不断暴露出来。而作为20世纪物理学最惊心动魄的发现之一,量子力学与信息学交叉融合产生的量子计算具有量子态的叠加、纠缠以及干涉等性质,与传统意义上的计算有着质的不同。本论文在粒子群算法的框架下,结合量子理论,研究量子粒子群算法(quantum-behaved particle swarm optimization, QPSO)的性能,提出了改进的量子粒子群算法,并用优化的思想来解决分类问题,提出了基于量子粒子群的最近邻原型分类算法,并将改进的量子粒子群算法结合分类方法,应用于数据分类中。本文主要工作如下：1)提出了一种基于多次塌陷一正交交叉的量子粒子群算法。该方法充分利用量子机制的不确定性,由量子状态到经典状态进行多次塌陷,提高种群的多样性,并对得到的多个个体进行有代表性的正交交叉,互相交流,充分利用各个体所携带的有效信息最终搜索到最优解。为了验证算法的性能,采用改进的算法对基准测试函数进行优化,实验结果表明,这种方法不但加快了收敛速度而且提高了求解精度,应用到较难解决的CEC05复合函数上,也能较快地搜索到函数的最优解。2)针对有监督数据分类中的最近邻分类的复杂性,利用量子系统的不确定性,在已有的量子粒子群算法的基础上,提出了一种基于原型的量子粒子群一最近邻分类方法。该方法在编码时采用一个粒子包含多个原型并且每个原型均对应一个类标,采用量子粒子群优化算法选出有效原型之后只需计算测试数据到原型的距离而不是测试数据到训练数据的距离,较大程度上降低了计算复杂度。对比实验表明,该算法在分类效果和速度上较已有的算法都有较大的提高。3)针对量子塌陷的随机性,利用了多次塌陷并对获得的粒子进行正交交叉相互学习来寻优,提出一种基于多次塌陷-正交交叉量子粒子群最近邻原型分类算法。该方法借鉴了前面将量子粒子群分类算法应用到数据分类问题的成功经验,进一步充分利用量子的不确定性尝试来获得有效原型,从而提高后续的分类效果。通过对比实验,该算法在分类质量和效率上均有所提高。本文得到如下基金资助：国家"863"计划：2009AA12Z210；陕西省“13115”科技创新工程重大科技专项项目：2008ZDKG-37；国家自然科学基金：(60703107和60703108)；陕西省自然科学基金：2007F32；中国博士后科学基金特别资助：200801426；中国博士后科学基金：20080431228以及中央高校基本科研业务费专项资金资助：JY10000902040。