卷积神经网络（CNN）在许多机器学习应用中迅速流行，特别是在图像识别领域。这些网络产生的很多好处来自它们以分层方式从数据中提取特征的能力。这些特征是使用各种变换层（尤其是为模型命名的卷积层）提取的。

在这项工作中，我们介绍了一种称为量子卷积或量子卷积层的新型转换层。量子层通过使用多个随机量子电路对数据进行局部转换来对输入数据进行操作，其方式类似于由随机卷积滤波器层执行的转换。如果这些量子变换产生了用于分类目的的有意义的特征，那么该算法可以用于近期的量子计算机，因为它需要小的量子电路，几乎不需要纠错。在这项工作中，我们通过比较建立在MNIST数据集上的三种类型的模型，从经验上评估了这些量子变换的潜在利益：CNN，量子卷积神经网络（QNN）和引入了其他非线性的CNN。

我们的结果表明，与纯经典的CNN相比，QNN模型具有更高的测试集准确性和更快的训练速度。