自从1970年瑞典著名统计学家约瑞斯科(Joreskog)与其合作者发明结构方程模型及LISREL求解方法以来,结构方程建模方法在社会科学各领域得到了广泛应用。但是LISREL方法过于严格的前提假设,使其逐渐被要求更为宽松的偏最小二乘通径模型所代替。但是偏最小二乘算法存在参数估计精度较低等问题。因此需要一种新的结构方程模型参数估计方法。为此,本文提出将结构方程模型转化为优化求解模型,通过双链量子遗传算法进行求解的思路。双链量子遗传算法是一种将量子计算与遗传算法结合的优化求解算法。与传统的优化求解算法比较,该算法具有更丰富的种群多样性,收敛速度快,种群规模小,有效避免早熟和全局寻优能力强等优势。但也同时存在着种群初始化随机给定,求解过程盲目,导致所估计出的参数不具有实际意义等不足。针对这些不足,本文提出了相应的改进策略。首先,将结构方程模型用SmartPLS进行求解,并将参数估计结果作为双链量子遗传算法的初始解。其次,收集建模过程中所有的先验知识并将其有效转化为对参数的约束条件,从而将算法改进为一种基于理论模型的优化算法,便得估计参数数具有买际意义。改进后的算法被称为New-DCQGA算法。一系列的数值仿真算例证明了新方法对于一般结构方程模型的有效性,并且在外部环境不断改变的情况下,New-DCQGA依然具有比SmartPLS更为精确的参数估计值。此外,将该方法用于更为常见的含有中介变量的结构方程模型中,发现在不同的想定条件下,该算法依然有效,其参数估计精度及效应估计精度都高于SmartPLS.因此,本文提出的New-DCQGA是一种具有较高参数估计精度的结构方程模型求解算法。