20世纪90年代中期,量子计算(Quantum Computing, QC)的研究引起了人们广泛的关注。借鉴量子态的叠加,纠缠和并行等特性,人们将进化计算(Evolutionary Computation, EC)与量子计算相融合,出现了一种量子进化计算(Quantum-Inspired Evolutionary Computation, QEA)。它建立在量子态矢量表达的基础上,将量子比特的概率幅表示方式应用于染色体的编码,使一个染色体可以表达多个模态的叠加,从而比进化计算更具有并行性。鉴于量子进化计算的这些特性,我们针对数据聚类和图像分割问题进行深入的研究,并取得了较好的效果。本文的主要工作为：提出了一种基于量子进化计算的数据聚类方法。在量子进化计算中,用量子旋转门来更新种群,但是旋转角度的选择是离散,不连续的,使问题的搜索容易陷入局部最优。因此,本文提出了一种改进的量子旋转门,采用自适应计算旋转角度的方法,使种群能够具有比较好的全局搜索能力,同时使种群能够跳出局部最优,本文对旋转后的概率幅进行了修正。针对数据聚类问题,与改进之前的算法及一些其他的进化算法相比,本文方法在聚类正确率上有了很大的改善。同时,针对具有对称分布的数据集,在统一采用对称距离测度后,本文的方法也取得了较好的效果。提出了一种基于量子进化与高斯混合模型的无监督图像分割算法(QEAGMM)。针对基于高斯混合模型(Gaussian Mixture Model, GMM)的图像分割算法中,模型参数的标准训练方法-期望最大算法(EM)存在初始化敏感,容易陷入局部最优的缺点,我们将量子进化算法与EM算法相结合,充分利用两者的优点,提出了一种量子进化EM算法(QEA-EM),有效地缓解了EM算法的缺点。针对纹理图像和合成孔径雷达(SAR)图像分割,我们对图像做一系列的预处理,然后对图像进行分割,仿真实验结果表明,与传统的高斯混合模型聚类算法相比,本文的算法取得了较好的分割结果。