为进一步提高齿轮故障诊断能力,结合目前神经网络机理的研究进展,建立了一种基于通用量子门的量子神经元模型,提出了通用量子门神经网络(universal quantum gate neural network,UQGN)算法。首先,该算法将转换后的量子态训练样本作为输入。然后,利用量子旋转门和通用量子门完成旋转、选择、翻转和聚合等一系列操作,并完成网络参数的更新。最后,将训练后的结果输出。在数学上,证明了UQGN算法的泛化能力。利用该算法对齿轮的正常、齿面磨损、齿根裂纹和断齿4种情况进行了模式识别。实验结果表明,与普通神经网络和普通量子神经网络相比,UQGN算法在泛化性能、鲁棒性、准确率和执行时间等方面具有较好的效果。