量子信息和机器学习都是当下发展迅速的新兴学科。近十几年,随着计算机硬件的发展和量子信息理论与实验技术的进步,人们发现二者之间可以相互促进、共同发展。一方面,机器学习因其善于概括复杂数据的能力被用于研究量子信息和量子物理的问题;另一方面,人们也在研究如何把量子优势带入并强化机器学习。在这个工作中,我们的关注点在于传统机器学习和量子信息交叉领域的研究。我们将人工神经网络中的卷积层和量子力学中的力学量算符联系到了一起,证明了在分立能级系统下,可以使用卷积层来准确计算力学量算符在量子态下的平均值,以及卷积层各个部分的数据能在基于梯度下降的优化方法中保持厄密。我们可以看到,分立能级系统的力学量算符就是一个特殊的卷积核。随后,我们设计了分支型卷积神经网络,它由若干个相互独立的卷积路径和后续的神经网络结构组成。卷积路径由若干个卷积层组成,其结构可以根据研究需要自由设置。原则上,分支型卷积神经网络可以根据量子态的特性、卷积路径的结构和具体的学习任务针对性地训练出能够提取所需信息的力学量算符。训练完成后,可以从卷积路径中获得训练好的力学量算符,因此在测试或实用过程中可以将卷积路径从人工神经网络中省去。为了检验我们的方法的有效性,我们用分支型卷积神经网络去辨别2qubits量子态是否纠缠。在对Werner系列的三种具有特殊形式的量子态进行分类时,分支型卷积神经网络可以使用比前人的工作中更少的力学量算符达到相当或更高的准确率。在对任意2qubits态分类时,我们尝试了三种不同结构的卷积路径并进行了比较,它们均能以不同的力学量组织方式使分支型卷积神经网络的准确率不低于现有工作的水平。