信息技术的日益发展使人们进入了大数据时代,在各种各样的数据中,图像是人们生活中最常用的一种信息载体。随着图像数据量的大量增加,亟需对图像进行高性能的去噪与生成处理以应对处理速度慢和处理效果差的问题。因此,本文结合量子计算和深度学习设计了图像去噪与生成两种算法。本文的主要工作如下:基于卷积自编码器和残差学习,提出了一种图像去噪算法。卷积自编码器的编码层采用卷积层和最大池化层交替的结构,而解码层采用卷积层和反卷积层交替的结构。通过编码层和解码层完成输入图像的非线性特征提取,获得良好的特征表示。通过残差学习方式使卷积自编码器输出残差信息,并利用交叉熵损失函数对提出的算法进行训练。在MNIST数据集和Fashion-MNIST数据集上对提出的算法进行了仿真实验。与未使用残差学习的卷积自编码器去噪算法相比,所提出算法的去噪图像在视觉效果和客观质量评价指标上都具有更好的结果。将量子信息理论与机器学习方法相结合,基于波函数概率解释的玻恩机生成模型为研究生成模型提供了一种新的工具。具有一般参数化量子线路的玻恩机生成模型通常需要与待处理数据集的样本特征大小相同的量子比特数,而实际数据集中的每个样本通常包含数千个特征。为了解决该问题,本文提出了一种具有矩阵乘积态量子线路的玻恩机生成模型,该模型需要的量子比特比一般参数化量子线路的玻恩机生成模型更少,可以节省使用近期量子器件中稀缺的量子比特资源。利用最大均值差异损失函数对提出的玻恩机生成模型进行训练。在条带图数据集和混合高斯分布数据集上对提出的玻恩机生成模型进行了仿真实验。仿真结果表明基于矩阵乘积态量子线路的玻恩机生成模型可以使用较少的量子比特获得良好的生成性能。