以量子力学为基础的量子信息学为信息科学和技术的变革提供了新的物理基础，为信息科学的发展提供了新的原理和方法。人工神经网络有着大规模并行处理、容错性、自组织和自适应能力以及联想功能等特点，但也有一些诸如在信息量大的情况下处理速度过慢、记忆容量有限、在接收新的信息时会发生灾变性失忆等缺陷。结合了量子计算与人工神经网络各自特点的量子神经网络(QNN-QuantumNeuralNetworks)，由于利用了量子并行和量子纠缠等特性从而克服了传统人工神经网络的某些固有缺陷，将有可能成为未来信息处理的重要手段之一。 本文首先介绍了基于量子并行计算和量子纠缠特性的量子神经网络，对多宇宙量子神经网络、量子纠缠神经网络、基于多层传递函数的量子神经网络、量子神经元等几种量子神经网络模型进行了分析，重点研究了量子复BP神经网络和量子径向基神经网络的模型结构、学习方法及特性等。 其次，将复径向基神经网络和复Hopfield神经网络应用到MIMO信号检测，计算机仿真结果表明，这两种检测算法与传统检测算法相比，可以获得更好的检测性能。 最后，利用量子神经网络能量函数和MIMO信号最佳检测推导公式的相似性，提出一种将量子神经网络用于MIMO信号检测的方案。仿真结果表明所提出的算法其检测性能优于基于复Hopfield神经网络的MIMO检测算法。