Ad-hoc检索任务主要是用户通过一个查询指定其信息需求，而后信息检索系统会搜索可能与用户需求相关的文档返回给用户。随着深度学习的发展，研究人员提出了许多神经网络匹配模型并在ad-hoc检索任务上取得了显著的性能提升。现有的神经网络匹配模型将查询或文档中的单个词项或n-gram片段的向量嵌入作为一个匹配单元，先将每个查询匹配单元与文档中所有的匹配单元进行局部交互计算相关性特征(例如，cos相似度)到一个匹配特征矩阵，然后使用神经网络提取有效匹配特征并预测文档相关性。我们发现这种匹配思想对文本匹配单元作出了一个独立性假设，即神经网络匹配模型作出的最终相关性预测是先分别计算文档在每个查询匹配单元下的匹配程度再将其进行叠加得到的。然而，在真实检索环境下由于文本匹配单元间存在依赖关系，导致这种假设并不总是成立的。同时，经过基于概率论的形式化分析和比较，我们发现当前神经网络匹配模型的匹配思想遵循经典概率，是没有能力构建查询和文档中不同匹配单元间依赖关系所产生的匹配特征，这会造成较大的文档相关性预测偏差从而影响检索性能。在本工作中，我们在量子概率框架下提出了基于量子干涉理论的神经网络匹配模型(QINM)，该方法能够将量子概率论中自然包含的干涉现象用于有效构建查询和文档中不同匹配单元产生的依赖匹配特征。具体地，QINM先构造一个查询-文档复合系统，然后通过对复合系统的观测将文档的概率分布编码到约化密度算子中，并通过n-gram窗口卷积网络和查询注意力机制提取算子中的有效匹配特征。最后，利用由多层感知器组成的评分层来计算最终的排名分数，并使用Learning-to-Rank算法对整个神经网络进行更新。在两个基准数据集上的实验结果表明，我们的方法比量子启发的检索模型和一些著名的神经检索模型更适合于ad-hoc检索任务。