量子计算在大数分解以及数据搜索方面表现出了超越经典计算机的实力,引起了研究者的广泛关注,也是量子力学中热门的研究方向。人工智能的算法主要建立在多层神经网络的基础之上。为了应对日益增长的网络复杂性和内存要求,希望可以对这些强大算法的运行方式和结构进行改进。量子计算强大的并行计算能力和希尔伯特空间巨大的存储能力有望可以比任何经典计算机更高效的解决这些问题。当前,量子机器学习以及深度学习技术成为了量子计算领域一个重要的研究方向。量子神经元通过模拟经典深度学习神经元的结构实现类似经典神经元的功能。得益于希尔伯特空间的巨大存储能力,量子神经元可以在N个量子比特中存储2N维度的经典信息。随着量子计算的发展,构建功能更加强大的量子神经网络结构,将经典训练任务和神经网络结构移植到量子领域是提高神经网络性能的常见思路。本文在量子神经网络研究的基础上,结合量子计算的原理做了以下工作:首先,系统分析了当前几种量子神经元的构造方法,并对其量子线路结构和计算过程进行了解析和探讨,包含了二值权重量子神经元,基于量子旋转门的神经元。在此基础上,本文基于量子旋转门的神经元结构以及量子叠加态设计了一种量子神经网络结构。根据量子叠加态的理论将输入训练数据及标签编码为量子叠加状态,通过量子神经网络对所有的输入数据进行计算。利用量子并行计算的性质,降低量子线路执行的次数。并通过简单的训练任务验证了其可行性。其次,根据本文中量子神经元所存在的问题,特别是神经元在进行多层扩展时存在的问题,提出了一种将神经元用于多层量子神经网络的构造方法。依据本文中量子神经元{0,1}编码方式在进行复杂任务训练时学习能力弱的问题,通过引入量子比特翻转门可以将本文的量子神经元扩展为{-1,+1}编码方式。通过实际的训练任务的对比,扩展后的神经元相较原始的神经元表达能力更强。最后针对二值权重神经元和本文中的神经元进行了仿真任务上的对比试验,分析和总结了两种神经元结构的优势和缺陷。