La computación cuántica ha ganado rápidamente prominencia por su eficiencia computacional sin precedentes en la resolución de problemas específicos en comparación con sus contrapartes de computación clásica. Este aumento en la atención es particularmente pronunciado en el ámbito del aprendizaje automático cuántico (QML) siguiendo una tendencia clásica. Aquí comenzamos con una visión general completa del estado actual de las Máquinas de Soporte Vectorial Cuánticas (QSVM). Posteriormente, analizamos las limitaciones inherentes tanto en las técnicas de recocido como en las basadas en puertas. Para abordar estas debilidades identificadas, proponemos una nueva metodología híbrida que integra aspectos de ambas técnicas, mitigando así varios inconvenientes individuales mientras se mantienen las ventajas. Presentamos una exposición detallada de los dos componentes de nuestros modelos híbridos, acompañada de la presentación de resultados experimentales que corroboran la eficacia de la arquitectura propuesta. Estos resultados allanan el camino para un paradigma más integrado en el aprendizaje automático cuántico y la computación cuántica en general, trascendiendo la compartimentación tradicional.