Las redes neuronales cuánticas (QNNs) están ganando atención por su potencial, pero su falta de interpretabilidad sigue siendo una barrera para una adopción más amplia. En este documento, adaptamos y ampliamos técnicas de explicabilidad comúnmente utilizadas en redes neuronales clásicas al dominio cuántico, haciendo que las QNNs sean más transparentes e interpretables. Al aplicar métodos basados en características y en ejemplos, proporcionamos un análisis exhaustivo de cómo las QNNs generan predicciones. Nuestros resultados demuestran que estas técnicas adaptadas ofrecen valiosas ideas sobre los mecanismos internos de las QNNs, allanando el camino para modelos de aprendizaje automático cuántico más confiables y confiables. Este trabajo contribuye a mejorar la explicabilidad de las QNNs, mejorando su aplicabilidad en escenarios complejos del mundo real.