摘要
量子卷积神经网络（QCNNs）作为量子机器学习领域中极具前景的模型，尤其在图像分类和计算机视觉任务方面表现突出。近期的发展包括混合经典-量子架构、先进的量子编码方法，以及能够提升在噪声中等规模量子设备上数据处理能力的新型电路设计。然而，由于电路复杂性、门数量、量子比特连接性以及硬件噪声等问题，实际应用仍然面临挑战，这些因素限制了其可扩展性和性能。因此，优化量子电路对于降低资源需求并提高分类精度至关重要。本研究对2014年至2025年间发表的40篇相关研究论文进行了系统性的文献综述。鉴于电路优化技术通常是针对更广泛的量子神经网络而非单独的QCNN架构开发的，该综述涵盖了QCNNs以及与之密切相关的量子神经网络（QNN）模型和量子电路优化研究。在此范围内，综述探讨了网络架构、编码策略、应用领域以及优化技术，尤其关注了遗传算法和进化策略等启发式和元启发式方法。研究结果显示出混合量子-经典集成趋势的增强、元启发式优化方法的广泛应用，以及适应量子硬件约束的多目标框架的重要性。最后，该综述指出了当前在实际量子设备上部署QCNNs所存在的关键研究空白及未来发展方向。
