长短期记忆（long-short term memory，LSTM）神经网络通过引入记忆单元来解决长期依赖、梯度消失和梯度爆炸问题，广泛应用于时间序列分析与预测。将量子计算与LSTM神经网络结合将有助于提高其计算效率并降低模型参数个数，从而显著改善传统LSTM神经网络的性能。本文提出一种可用于图像分类的混合量子LSTM（hybrid quantum long-short term memory，HQLSTM）网络模型，利用变分量子电路代替经典LSTM网络中的神经细胞，以实现量子网络记忆功能，同时引入Choquet离散积分算子来增强数据之间的聚合程度。HQLSTM网络中的记忆细胞由多个可实现不同功能的变分量子电路（variation quantum circuit，VQC）构成，每个VQC由三部分组成：编码层利用角度编码降低网络模型设计的复杂度；变分层采用量子自然梯度优化算法进行设计，使得梯度下降方向不以特定参数为目标，从而优化参数更新过程，提升网络模型的泛化性和收敛速度；测量层利用泡利Z门进行测量，并将测量结果的期望值输入到下一层实现对量子电路中有用信息的提取。在MNIST、FASHION-MNIST和CIFAR数据集上的图像分类实验结果表明，与经典LSTM、量子LSTM相比，HQLSTM模型获得了较高的图片分类精度和较低的损失值。同时，HQLSTM、量子LSTM网络空间复杂度相较于经典的LSTM网络实现了明显的降低。