如何合理高效地组织图像数据、结合图像特征,将人工智能及知识发现等技术合理地运用于图像分类中,是当今计算机视觉研究领域的一个热点问题。量子进化算法以其诸多优点,如能够更容易的在探索与开发之间取得平衡,具有种群规模小、收敛速度快、全局寻优能力强等,而日益受到重视。本文将量子进化算法用于RBF网络(径向基函数网络)的优化当中,并通过仿真验证了算法的有效性。本文的主要工作有：采用量子进化算法对RBF网络的参数及结构进行优化。其中参数包括RBF函数中心、权值以及方差,结构的优化是指获得网络的隐层和输出层之间的部分链接,而不是全链接,经过优化后的网络能降低RBF网络在进行图像识别时候的时间复杂度。通过在Brodatz纹理图像和SAR图像数据中的实验表明,基于量子进化的RBF网络的图像识别精度要明显高于基于遗传算法的RBF网络。在纹理图像的识别中,本文结合了小波变化的能量特征和灰度共生矩阵的特征；对于SAR图像,本文结合了Contourlet变换域的能量特征和Hu不变矩的特征。仿真实验对这两类图像使用相应的特征分别进行了基于量子进化RBF网络的图像识别。