量子计算是信息科学和量子力学相结合的新兴交叉学科,以量子算法为代表的量子计算由于具有高度的并行性、指数级存储容量和对经典启发式算法的指数加速作用,因此具有极大的优越性并蕴涵着强大的生命力,现已成为世界各国学者研究的前沿领域。量子计算和智能计算的融合可以通过在传统智能计算中引入量子计算机制,改变传统智能计算的寻优方式,提高寻优能力和收敛速度等性能。因此,研究量子智能优化算法有着重要的理论和现实意义。本论文主要研究Grover量子搜索算法的改进策略、量子衍生优化算法、量子神经网络模型及算法,以及量子遗传算法在模糊控制器参数优化设计中的应用。具体可归纳如下。首先,分析了基本Grover算法存在的问题,从改变量子态的旋转相位和对搜索目标加权入手,提出了五种改进算法。这些改进均使算法的成功概率有不同程度的提高。其次,通过直接将量子位的概率幅视为染色体上的基因位,构造了双链染色体编码方案,在此基础上先后提出双链量子遗传算法、混沌量子免疫算法、量子蚁群算法、量子粒子群算法;通过直接将量子位的Bloch坐标视为基因位,提出一种基于量子位Bloch坐标的量子衍生进化算法。在这些算法中,由于使用了双链或三链搜索机制,可明显提高算法的优化效率。第三,通过将量子计算机制和神经网络理论相融合,提出了四种量子神经网络模型及算法。在这些模型和算法中,其训练过程均通过调整量子旋转门或受控非门的相关参数实现,仿真结果表明其收敛速度和逼近能力明显优于普通神经网络。第四,针对带解析描述的模糊控制规则的控制器参数优化问题,提出了一种基于量子遗传算法的优化方案;针对单级倒立摆控制问题,提出了一种基于量子遗传算法的正规模糊神经网络控制器参数优化方法。仿真结果表明该方法的优化性能明显优于普通遗传算法。最后,对全文的研究工作进行了总结,并展望了量子智能计算有待进一步深入探索和研究的课题。