量子神经网络(Quantum Neural Network)是传统神经网络与量子计算相结合而产生的一种全新的网络计算模型。通过将量子计算中量子态的叠加、纠缠、干涉和并行计算等量子特性引入到神经网络中,来有效提升神经网络的信息处理能力,以及克服传统神经网络的缺陷与不足。本文以量子神经网络的应用作为出发点,通过对量子计算相关理论的研究和已有量子神经网络模型结构的分析,将基于量子计算的新型神经网络应用于模式识别领域。仿真结果显示了量子神经网络在模式识别领域的优越性和潜力,且具有良好的应用前景。本文的主要内容包括以下四个方面。(1)分析研究了量子计算原理以及相应的量子理论,详细阐述量子计算具有高性能的原因,并介绍了传统神经网络的不足和固有的缺陷。(2)通过对比量子计算与神经计算的相关概念,在理论上分析了两者结合的可行性与量子神经计算的优势。对量子联想记忆模型、量子并行自组织映射模型和多宇宙量子神经网络等几种模型的特性、结构和学习方法进行了研究。(3)借用量子理论中量子态叠加的思想,构造了一个基于多层激励函数的三层量子神经网络。该网络的隐层量子神经元的传递函数采用多个传统传递函数的叠加,使得网络有一种固有的模糊性和不确定性,将其应用于两类模式之间存在交叉数据的模式识别问题,并与传统神经网络做比较。仿真结果显示,该模型在识别率上比传统神经网络有显著的提高。(4)构造了一个基于量子门组的三层量子神经网络,将通用量子门组作为神经网络的激活函数来实现量子神经计算。设计了一个实验用于英文字母的识别,实验结果表明,该网络能有效的提高识别率且具有较好的泛化能力。此外,该模型还具有易于物理实现的潜力。