根据传输信息的性质,量子通信可分为连续变量量子通信(CV-QC)和分立变量量子通信(DV-QC)。前者具有信息容量大、信号强、调制灵活、易实现等优势,后者则存在着信息容量小,信号弱,单光子光源实现困难、信号易受干扰衰减等特点,因此CV-QC越来越受到人们的重视。量子神经网络(QNN)是一种由量子计算原理与人工神经网络(ANN)相结合而成的新型神经网络模型,可用量子线路表示。QNN利用量子并行计算和量子纠缠态等特性,克服了 ANN存在的缺陷,如信息容量不足、网络处理速度慢、训练时间长等。有关分立QNN已经有不少研究和应用,如量子比特(qubit)神经网络模型、纠缠神经网络和量子多宇宙神经网络等。这些模型只能用于DV-QC。随着CV-QC的发展,建立与之配套的连续变量QNN是非常必要的,目前有关这方面的研究甚少。本文在构建相干态量子神经网络(CS-QNN)模型的基础上,进一步建立了 CS-QNN辅助CV-QC的方案。主要研究内容如下:首先,介绍了本课题的研究背景,讨论了 CV-QC国内外研究现状,总结了国内外研究成果,简要阐述了本课题的研究内容和创新之处。其次,介绍了量子线路模型下的量子神经网络的基本元件,包括量子逻辑门、量子线路及其符号表示,并介绍了纠缠神经网络和基于量子线路的QNN模型。在介绍了基于相干态的连续变量量子相位旋转门、Hadamard门和双元CNOT门后,提出了基于相干态的连续变量量子与门光路方案,分析了光路的成功概率。该光路是由线性光学器件组成,包括光分束器(BS)、相移器(PS)和光子计数器。在相干态与门的基础上,结合相干态双元CNOT门构建了相干态多控CNOT门,为CS-QNN的提出奠定了基础。最后,基于相干态多控CNOT门,构建连续变量相干态量子神经网络模型及其量子线路。为了验证模型的可行性和有效性,将其引入振幅阻尼信道下的连续变量量子隐形传态(CV-QT)的通信系统中,对受噪声影响的信号进行恢复。为了保证通信的质量,在CS-QNN中抽取10%样本信号训练模型参数。仿真结果表明,CS-QNN辅助CV-QT传送后输出信号的保真度明显提高,接近于1。与基于纠缠预补偿和匹配补偿机理的方案相比,本方案更能保障通信的质量。