量子计算是遵循量子力学原理,利用量子系统进行计算的模型。区别于遵循经典力学的经典计算,量子计算有着独有的特性,例如量子叠加和纠缠。在特定问题上,量子算法相比于经典算法有着量子优势,可以显著地降低求解问题的复杂度。机器学习领域近年来大放异彩,在诸多方面都体现了强大的能力,目前流行的机器学习算法特别是深度学习的复杂度随着问题规模的增加而快速增加。量子机器学习是利用量子计算的优势加速机器学习算法的速度,降低算法复杂度。目前,该领域已经取得了丰富的成果。本文主要提出了两种不同的量子机器学习算法,量子谱聚类算法与量子自适应提升分类算法,分别对应于非监督与监督学习领域。首先,量子谱聚类算法利用量子计算机能够高效求解特征问题的特点,加速了经典谱聚类算法中求解过程,使其在算法复杂度上获得了一个显著的加速。具体来讲,我将量子相位估计算法嵌入到量子搜索算法作为求解特征问题的核心。同时,我改进了算法输入的初始态使得算法能够确定性而非概率性求解特征问题。其次,我给出了量子搜索算法中Oracle的量子线路具体设计,其可以有效地在量子计算机上运行。为了验证量子谱聚类算法的可行性,我利用数值仿真计算模拟出量子谱聚类算法在两个常见的聚类基准测试中的表现,同时与经典的k-means算法进行了比较。结果显示,量子谱聚类算法可以有效地解决聚类问题。量子谱聚类算法整体复杂度为O（（?）N5/2-poly（log N）d4）,而经典算法复杂度为O（kN3）。量子谱聚类算法能有效地运行在容错量子计算机上,降低谱聚类算法的复杂度。目前,量子计算的发展还远未达到容错量子计算的阶段,现有的量子计算机都是含噪中型量子设备。针对该类设备,在我的第二个工作中,我基于变分量子算法提出了量子自适应提升分类算法。该算法利用集成学习的思想,将多个不具备分类能力的浅层变分量子线路,通过加法模型提升为量子强分类器。同时,由于浅层线路的特性显著降低了在优化过程中的复杂度,也减少了量子门噪声在线路中的累积。通过加法模型构建的量子强分类器进一步增强了分类器的对于误差的鲁棒性。为了展示量子自适应提升分类算法的能力,我利用数值仿真方法模拟了该分类算法在两个不同的任务上的表现,分别是经典数据的手写数字识别问题,以及量子数据的两体量子纠缠态判定问题。实验结果证明,在有无量子噪声环境下,我的分类器均优于对照组的量子分类算法,并且随着噪声的增加,相对优势会进一步扩大。本论文提出的两个量子机器学习算法分别着眼于解决非监督和监督问题。其中,量子谱聚类算法相比于经典算法有着显著加速能够高效解决聚类问题,而量子自适应提升分类器相比于同类算法,结构简单,准确率高,并且能更好地抵御噪声。这两个算法丰富了量子机器学习算法模型,为后续更深入地研究提供了新的方向和方法。