La computación cuántica se espera que cambie fundamentalmente los sistemas informáticos en el futuro. Recientemente, un nuevo tema de investigación de la computación cuántica es el enfoque híbrido cuántico-clásico para el aprendizaje automático, en el cual un circuito cuántico parametrizado, también llamado red neuronal cuántica (QNN), es optimizado por una computadora clásica. Este enfoque híbrido puede tener los beneficios tanto de la computación cuántica como de los métodos clásicos de aprendizaje automático. En esta etapa temprana, es de crucial importancia entender las nuevas características de las redes neuronales cuánticas para diferentes tareas de aprendizaje automático. En este documento, estudiaremos redes neuronales cuánticas para la tarea de clasificación de imágenes, que son datos espaciales de alta dimensionalidad. A diferencia de evaluaciones anteriores de datos de baja dimensionalidad o escalares, investigaremos los impactos de los tipos de codificación práctica, la profundidad del circuito, el término de sesgo y la lectura en el rendimiento de clasificación en el popular conjunto de datos de imágenes MNIST. Se obtienen varios hallazgos interesantes sobre los comportamientos de aprendizaje de diferentes QNN a través de los resultados experimentales. Hasta donde sabemos, este es el primer trabajo que considera varios aspectos de QNN para datos de imagen.