量子信息学是一门新兴的交叉学科，它在信息领域中有着独特的功能，在提高运算速度、确保信息安全、增大信息容量和提高检测精度等方面可突破现有经典信息系统的极限。特别是近年来，基于量子并行计算的量子智能算法有效地降低了一些经典难解算法的计算复杂度。　　 在目前的通信系统中，低误码率和低计算复杂度是所有检测技术追求的目标。本文正是基于这一目标，设计新型的优化检测算法，以期达到检测性能和计算复杂度的良好折衷。　　 本文首先研究了量子遗传算法的特性，并利用量子遗传算法种群规模小，收敛速度快的特性来优化传统神经网络，设计了量子遗传算法优化的BP(Back Propagation)网络和RBF(Radial Basis Function)网络，并分别对这两种量子遗传算法优化的神经网络进行性能测试，实验表明，用量子遗传算法优化过的神经网络在网络性能上比传统神经网络有较明显的提高。　　 其次，将量子遗传算法优化神经网络应用于MIMO系统信号检测。用量子遗传算法优化神经网络检测信号的初始值，提出了基于量子遗传算法优化神经网络的MIMO系统信号检测方案。实验表明，基于量子遗传算法优化神经网络的MIMO检测方案在检测性能上比基于传统神经网络和基于量子遗传算法的MIMO检测方案有较明显的提高。　　 最后，研究了基于量子遗传算法优化神经网络的MIMO-OFDM系统信号检测，用量子遗传算法优化神经网络检测信号的初始值，提出了一种基于量子遗传算法优化神经网络的MIMO-OFDM系统信号检测方案。实验表明，基于量子遗传算法优化神经网络的MIMO-OFDM检测方案，其检测性能优于基于传统神经网络和基于量子遗传算法的检测方案。