机器学习近年在广泛的应用领域取得了突破性的进展,但随着摩尔定律逼近极限,现有的计算硬件难以承受模型训练带来的巨大的计算开销。量子计算为解决这个问题提供了新的方向,这引发了关于量子机器学习的前沿研究。作为经典神经网络的量子拓展,量子神经网络由于结合了量子计算潜在的加速能力和经典学习模型的拟合能力,有望突破经典神经网络遇到的瓶颈。最近基于量子-经典混合架构的神经网络模型已经被提出,其中由于经典卷积网络在各领域取得巨大的成功,量子-经典混合卷积网络引起了极大的关注。该模型通过将经典卷积神经网络中的卷积操作用量子线路代替,对数据进行特征提取,然而由于现阶段量子计算资源受限和优化方法的缺失,量子-经典混合卷积网络当前还难以大规模训练。针对上述问题,本文基于量子-经典混合计算架构的卷积神经网络分别提出了无监督特征学习方法和端到端学习方法,对现有的优化方法进行了改进。主要研究内容如下:1)量子-经典卷积神经网络的无监督特征学习。在经典卷积神经网络无监督特征学习的启发下,提出了适用于量子-经典混合计算架构卷积神经网络的无监督特征学习方法。通过量子自编码器将经典数据编码到参数化量子线路中,然后通过K-medoids聚类算法对参数化量子线路进行聚类,可以使用无监督的标准来学习“量子”卷积核。通过对轴承异常检测的仿真实验,验证了算法的可行性。该方法实际上可以看成一个预训练的过程,用于全监督的微调之前,减少训练网络的成本。2)端到端学习的量子-经典混合卷积神经网络。针对量子-经典混合卷积神经网络模型,提出可导的量子特征提取层。结合微积分中的链式法则和变分量子算法中的参数位移法则推导了量子特征提取层的反向传播,从而实现了量子-经典卷积神经网络模型的端到端训练。通过对手写数字识别的仿真实验,验证了算法的可行性。特别地,通过去除网络模型中“经典”因素的影响,使用全局平均池化,表明了模型提取特征的有效性。本文基于量子-经典混合卷积神经网络,分别提出了可用作预训练的无监督特征学习方法和能充分利用量子线路计算能力的端到端优化方法,为在量子计算资源有限的含噪声的中等规模量子时代训练量子-经典混合架构的神经网络提供了新思路。