量子计算是信息科学与量子力学相结合的一门极其具有生命力的新兴交叉学科,以量子神经网络为代表的量子计算由于其具有高度的并行性、指数级的存储容量以及对经典算法启发式的加速作用,因此具有极大的优越性并蕴藏着强大的生命力,现已成为世界各国学者们研究的前沿领域。通过在传统的神经网络中引进量子计算机制,来提高神经网络的非线性逼近能力、收敛性、算法稳定性等性能。因此,研究量子神经网络具有重要的理论和现实意义。本文综述了国内外量子神经网络的研究现状和发展趋势,概述了量子力学中的基础理论知识,论述了当前几种典型量子神经网络的设计思路、神经元结构、网络形式以及学习算法,分析了各个网络的计算优势和局限性。针对传统神经网络中单层感知器的不能解决异或问题这一缺陷,提出了一种量子感知器神经元模型,证明了其能解决传统神经网络单层感知器所不能解决的异或问题。同时借助传统神经网络的架构,搭建了一种量子感知器神经网络模型,从理论上证明了该网络模型具有良好的收敛性,并且给出了相应的学习算法来训练网络中的参数。通过仿真实验,与RBF神经网络作对比,从对非线性函数逼近能力方面验证了该网络模型和学习算法的有效性和优越性。本文分析了量子感知器神经网络的不足,提出了一种基于受控非门的量子神经元模型,从理论上分析了该模型能够很好的模拟受控非门的特性,借助传统神经网络的架构,搭建了一种基于受控非门的量子神经网络模型,从理论上证明了该网络模型具有良好的连续性,同时给出了相应的学习算法来训练网络中的参数。通过仿真实验,与量子感知器神经网络模型作对比,从对非线性函数逼近能力方面验证了该网络模型和学习算法的有效性和优越性。