针对传统花朵授粉算法（flower pollination algorithm, FPA）受初始参数影响较大、且易陷入局部最优解或算法无法收敛等问题，提出一种基于量子行为的花朵授粉算法（quantum-inspired flower pollination algorithm, QFPA）.通过引入量子系统到FPA中，使授粉过程中的搜索更高效，从而提高全局搜索能力.此外，还引入轨迹分析，使种群能更好地逃离局部最优解，进一步降低误差.为验证该方法的有效性，先通过选定的几个基准函数对QFPA进行评估，然后采用评估效果最好的QFPA对长短期记忆网络（LSTM）模型超参数进行寻优，最后在用自适应噪声完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）算法去除噪声后的空气质量数据集上进行实验，并与其他几种常用的优化算法进行对比.实验结果表明：QFPA提高了优化算法的全局搜索能力和收敛性；QFPA-LSTM模型增强了长时间序列数据预测的准确性和效率，该模型预测的均方根误差为10.93μg/m³,为实际应用中的空气质量预测提供了可靠的解决方案.