La clasificación de imágenes es una aplicación importante para el aprendizaje profundo. Con la llegada de la tecnología cuántica, las redes neuronales cuánticas (QNN) se han convertido en el foco de la investigación. La clasificación de imágenes basada en el aprendizaje profundo tradicional implica el uso de una red neuronal convolucional (CNN) para extraer características de la imagen y una red de perceptrón multicapa (MLP) para crear los límites de decisión. Sin embargo, los circuitos cuánticos con parámetros pueden extraer características ricas de las imágenes y también crear límites de decisión complejos. Este documento propone un modelo híbrido QNN (H-QNN) diseñado para la clasificación de imágenes binarias que aprovecha las fortalezas de la computación cuántica y las redes neuronales clásicas. Nuestro modelo H-QNN utiliza un circuito cuántico compacto de dos qubits integrado con una arquitectura convolucional clásica, lo que lo hace altamente eficiente para la computación en dispositivos cuánticos de escala intermedia ruidosos (NISQ) que actualmente lideran en aplicaciones prácticas de computación cuántica. Nuestro modelo H-QNN mejora significativamente la precisión de clasificación, logrando una tasa de precisión del 90.1% en conjuntos de datos de imágenes binarias. Además, hemos evaluado exhaustivamente CNN de referencia y nuestros modelos H-QNN propuestos para tareas de recuperación de imágenes. Los resultados cuantitativos obtenidos muestran la generalización de nuestro H-QNN para tareas de recuperación de imágenes. Además, nuestro modelo aborda el problema del sobreajuste para conjuntos de datos pequeños, lo que lo convierte en una herramienta valiosa para aplicaciones prácticas.