随着大数据和深度学习网络的不断发展,人工智能算法的运算复杂度和所需求的计算量也随之大幅度增加,机器学习的性能开始受到了限制。另一方面,量子计算在近些年得到了飞速发展,并逐渐展现其独特的优越性和巨大计算潜力。自然的,量子计算与人工智能技术的交叉融合而成的量子机器学习成为当前重要的前沿研究领域,得到了广泛的关注。和经典机器学习一样,量子机器学习领域的一个核心应用就是进行分类器的设计。目前,该方向的主要研究聚焦于利用量子增强分类模型,构建功能更加强大的分类器结构。当前,针对量子分类器的研究主要集中在二分类模型上,对于多分类（大于等于3）模型的研究较少涉及。鉴于多分类器的重要性,本文构建了一个新的经典-量子混合式神经网络模型来实现多分类任务。主要贡献如下:首先,本文在系统分析和讨论包括了变分量子线路设计,变分量子算法等当前经典-量子混合量子神经网络在分类器设计上的应用的基础上,提出了基于data reuploading策略的四层结构量子线路,其具有结构简单,消耗量子比特数目少等优点。实验中,通过主成分分析（PCA）技术对输入数据先进行降维后再送入该量子线路,首先完成了手写数据集的二分类任务,并通过训练任务验证了其可行性,完成了相应参数变化下的实验结果分析。其次,本文提出了一种“经典-量子-经典”的混合式网络模型结构。利用经典神经网络取代PCA技术来执行特征提取的任务,解决降维之后原始图像数据的信息损失问题。利用最后一层经典神经网络来帮助模型扩展分类类别数目。通过实际的训练任务对比,该模型相较于经典神经网络模型具有一定的抗噪性能,与其他混合式分类模型相比性能有一定的提升。接着,本文通过对该模型量子线路部分的优化,提出了一种新的XYZ-XXX量子旋转门排列模型。实验结果表明,XYZ-XXX与其他混合模型相比,在分类精度上获得明显提升。