本文分析了基于量子并行计算和量子纠缠特性的量子神经网络的特点，对量子跃迁神经网络、量子衍生神经网络、量子联想记忆等几种量子神经网络模型进行了研究，分析了各种模型的结构、学习方法及特性；探讨了量子神经网络在模式识别、函数近似方面的简单应用。为了与经典人工神经网络在模式识别中的应用性能进行比较，本文分别采用Back-Propagation(BP)网络和Hopfield网络对带噪声字母进行识别，并比较这两种人工神经网络的抗干扰和识别能力。最后，使用量子门组(即相移门和受控非门)作为基本计算单元，借助复数Back-Propagation学习算法研究了一个量子神经元模型，并对该模型的收敛特性进行数值仿真，结果表明当选择的自适应增益常数越接近于1.0时，该量子神经元的训练时长小于经典神经元。在该神经元模型基础上，构造出一个三层量子神经网络，并将该网络应用于一个带有噪声的字母识别，数值计算结果表明，量子神经网络在噪声均方差小于0.35之前能完全地对含噪声的英文字母进行识别，在相同的白噪声模型下时，与BP神经网络相比，量子神经网络的容错能力明显增强。当噪声均方差为0.40时，量子神经网络的误识率由BP网络的20.46％降为3％。