本研究探讨了连续变量量子计算（CVQC）与经典机器学习的结合，发现CVQC显著提高了特征表达能力和分类准确性，尤其在高维数据集上，但也增加了计算成本。

本研究评估了人类活动识别中的模型性能，比较了经典机器学习、深度学习和限制玻尔兹曼机，结果显示卷积神经网络在复杂数据集上表现最佳，为模型选择提供了指导。

本研究提出了一种高效可扩展的单量子比特量子神经网络（SQQNN），有效应对经典机器学习在量子计算中的挑战。通过创新的训练方法，显著加快了模型训练速度，展现出优异性能和广泛应用潜力。