我们提供了两种感知器训练的量子方法。第一种方法侧重于问题的计算方面，所提出的方法二次降低了训练复杂度相对于训练向量数量的缩放比例。第二种算法侧重于统计效率。具体来说，我们使用传统感知器训练方法的错误界限，并询问量子计算是否有任何优势。为此，我们提出了一种算法，该算法二次改进了训练算法相对于训练数据中类别之间边距的缩放比例。后一种算法将量子振幅估计与感知器学习问题的版本空间解释相结合。我们的方法展示了在开发量子算法时可以考虑的权衡，以及在量子计算机上执行学习任务的最终优势。