随着量子计算机功能越来越强大，其应用的可能性也随之增加。例如，量子技术正与经典神经网络相结合以进行机器学习。为了以这种方式使用，或用于量子化学模拟或加密应用等任何其他广泛用途，必须通过量子编码将经典数据转换为量子态。有三种基本编码方法：基、振幅和旋转，以及几种拟议的组合。本研究探索了编码方法，特别是在混合量子-经典机器学习的背景下。本研究使用 QuClassi 量子神经网络架构对 MNIST 数据集中的“3”和“6”数字进行二元分类，获得了准确度、熵、损失和抗噪性等几个指标，同时考虑资源使用情况和计算复杂度来比较三种主要编码方法。