量子导引作为一种不同于量子纠缠、量子关联的量子特性,被广泛地应用于各种量子计算、量子信息任务当中,例如量子信道鉴别、量子密钥分发等等。作为一种重要的物理资源,该量子特性一直被人们所广泛深入地进行研究,其中一个重要的研究内容就是如何判定任意量子态的量子可导引性。对于任意量子态的量子可导引性判定目前主要的处理方法是利用理论定义式进行判定,该方法强烈依赖于测量方式以及测量个数的选择,致使该方法判定过程复杂同时效率低下。随着机器学习在量子信息任务中的应用越来越广泛,判定量子态是否具有量子可导引性是典型的二分类问题,因此本文将借助机器学习中的分类算法对任意双量子比特量子态的量子可导引性进行研究,从而获取得到分类模型。首先基于深度学习技术,融合Inception结构、残差连接以及注意力机制构建了用于量子导引性检测的模型,Inception结构可帮助模型深度挖掘量子态可导引性信息特征,残差连接有效防止了梯度弥散的发展,保证了特征的有效性,同时注意力机制的加入使模型可更好的提取量子导引性信息,加速模型收敛并提升模型识别性能。通过与现有使用支持向量机（SVM）构建的分类器进行分类准确率对比,实验表明,本文构建的深度学习检测模型在测试集上具有较高的准确性,在使用广义Werner态数据作为测试集进行测试时,准确度优于SVM方法。预测出的广义Werner态可导引边界值与SVM相比更接近理论边界值,实验证明了本文构建的量子导引分类模型的优越性。但是,当运用广义Werner态测试集数据对利用部分量子态信息训练产生的分类器进行性能测试时,结果发现与SVM相比在部分测试集数据上进行测试时性能指标没有得到提升。随后利用AdaBoost算法来检测任意双量子比特量子态的可导引性,同时预测广义Werner态的可导引边界检测模型泛化性能。实验结果表明,与深度学习和SVM构建的分类器的性能相比,AdaBoost训练的分类器性能更好,准确率更高,并且在广义Werner态测试集上的准确度与前两者相比都有整体的提升。在预测广义Werner态的可导引边界检测模型性能时,AdaBoost构造的分类器更接近理论边界值。实验证明了AdaBoost方法在量子导引性判别方面的优越性。更重要的是在使用AdaBoost算法分析量子导引数据集时,寻找给出了最佳的构建高性能分类器的特征选择方案,即当量子态的特征选择在三个固定测量方向上的部分信息时,可以训练得到高性能分类器。