La clasificación de imágenes es una tarea fundamental en el aprendizaje profundo, y los avances recientes en computación cuántica han generado un interés significativo en las redes neuronales cuánticas. Tradicionalmente, las Redes Neuronales Convolucionales (CNNs) se emplean para extraer características de imágenes, mientras que los Perceptrones Multicapa (MLPs) se encargan de la toma de decisiones. Sin embargo, los circuitos cuánticos parametrizados ofrecen el potencial para capturar características de imágenes complejas y definir fronteras de decisión sofisticadas. En este artículo, presentamos una nueva Red Neuronal Híbrida Cuántico-Clásica (H-QNN) para la clasificación de imágenes, y demostramos su efectividad utilizando el conjunto de datos MNIST. Nuestro modelo combina la computación cuántica con el aprendizaje supervisado clásico para mejorar la precisión de la clasificación y la eficiencia computacional. En este estudio, detallamos la arquitectura de la H-QNN, enfatizando su capacidad en el aprendizaje de características y la clasificación de imágenes. Los resultados experimentales demuestran que el modelo H-QNN propuesto supera a los métodos convencionales de aprendizaje profundo en varios escenarios de entrenamiento, mostrando su efectividad en tareas de clasificación de imágenes de alta dimensionalidad. Además, exploramos la aplicabilidad más amplia de enfoques híbridos cuántico-clásicos en otros dominios. Nuestros hallazgos contribuyen al creciente cuerpo de trabajo en aprendizaje automático cuántico, y subrayan el potencial de modelos mejorados cuánticamente para el reconocimiento y clasificación de imágenes.