Este trabajo presenta un algoritmo clasificador de vecinos más cercanos (K-NN) cuántico. El algoritmo utiliza codificación de ángulo a través de una Memoria de Acceso Aleatorio Cuántica (QRAM) utilizando n número de direcciones de qubit con complejidad espacial. Incorpora el algoritmo de Grover y el SWAP-Test cuántico para identificar estados similares y determinar los vecinos más cercanos con alta probabilidad, logrando complejidad de búsqueda, donde m es la dirección del qubit. Implementamos una simulación del algoritmo utilizando Qiskit de IBM con soporte de GPU, aplicándolo a los conjuntos de datos Iris y MNIST con dos codificaciones de ángulo diferentes. Los experimentos utilizan múltiples tamaños de celda de QRAM (8, 16, 32, 64, 128) y realizan diez pruebas por tamaño. Según el rendimiento, los valores de precisión en el conjunto de datos Iris van desde 89.3 +/- 5.78% hasta 94.0 +/- 1.56%. Los valores de precisión binaria promedio del conjunto de datos MNIST van desde 79.45 +/- 18.84% hasta 94.00 +/- 2.11% para las clases 0 y 1. Además, se realiza una comparación de los resultados de este enfoque propuesto con diferentes versiones de vanguardia de QK-NN y el K-NN clásico utilizando Scikit-learn. Este método logra una precisión del 96.4 +/- 2.22% en el conjunto de datos Iris. Finalmente, esta propuesta aporta un resultado experimental al estado del arte para el conjunto de datos MNIST, logrando una precisión del 96.55 +/- 2.00%. Este trabajo presenta una nueva propuesta de implementación para QK-NN y realiza múltiples experimentos que arrojan resultados más sólidos que implementaciones anteriores. Aunque nuestro rendimiento promedio aún necesita superar los resultados clásicos, no se logra un aumento experimental en el tamaño de QRAM o la cantidad de datos a codificar debido a limitaciones. Sin embargo, nuestros resultados muestran una mejora prometedora al considerar trabajar con más números de características y acomodar más datos en el QRAM.