量子技术自出现以来发展迅速,并与物理、化学及控制科学等领域有着紧密的联系,其中量子控制这一新兴学科一直备受国内外专家学者的广泛关注。量子控制图景(Quantum Landscape Control)被定义为一个物理可观测的与时间相关的控制场的泛函。关于量子控制理论的大量研究都是假设量子系统是封闭的,即量子系统与外部环境不会产生相互作用以及能量交换。但是在实际应用中,这样的假设是很难实现的,因为开放量子系统会无法避免地与外部环境产生相互作用,从而使其状态控制问题更加复杂,增加了量子系统状态转移控制问题的难度。由大量单量子系统组成的量子系综(Quantum Ensemble)的图景控制设计在新兴量子技术中有广泛应用,但是其控制问题更为复杂,需要利用基于样本学习的技巧来寻找最优控制解,其目标是应用一个控制策略使量子系综的全部子系统同时从相同的初始状态转移到相同的目标态,因此研究量子系综的状态转移控制相关问题具有很高的实用性。本文首先针对开放的单量子系统,分析系统的Lindblad主方程模型,根据控制问题选取目标函数,并且推导目标函数对外部控制场的一阶导数求解过程。然后分别应用梯度下降法、遗传算法及差分进化算法对不同能级的开放量子系统进行优化以寻求实现系统状态转移的最优控制策略,对比不同算法、不同能级的优化结果,分析学习算法的参数设置对优化结果的影响。从优化结果可以得出在系统模型已知且可导的条件下,梯度下降法仍是最佳选择；系统模型未知的条件下,梯度下降法无法使用,但遗传算法和差分进化算法都可以达到很好的优化效果。针对由大量单系统组成的一般化开放量子系综的状态转移控制问题,本文应用单量子系统优化后的控制策略作为量子系综的初始控制以缩短优化时间,控制过程应用基于样本学习的控制(Sampling-based Learning Control)方法,分别经过训练过程和检验过程,探寻实现量子系综状态转移的最优控制策略。实验结果表明,训练过程尤为重要,迭代次数以及算法参数的选取很大程度上影响着优化结果,若选取得当则可以较好地实现对量子系综的状态转移控制。