شبكات الأعصاب التلافيفية للرسوم البيانية (GCNNs) هي أحدث التطورات المثيرة في مجال التعلم العميق، وتطبيقاتها تنتشر بسرعة في مجالات متعددة ومتنوعة مثل علم المعلومات الحيوية، وعلم المعلومات الكيميائية، والشبكات الاجتماعية، ومعالجة اللغة الطبيعية، ورؤية الحاسوب. في هذا البحث، نكشف عن بعض الضعف الأساسي في نموذج GCNN باستخدام فكرة الكبسولات التي تم تقديمها في \cite{hinton2011transforming} ونقترح نموذج شبكتنا الكبسولية للرسوم البيانية (GCAPS-CNN). بالإضافة إلى ذلك، صممنا نموذج GCAPS-CNN لحل مشكلة تصنيف الرسوم البيانية بشكل خاص، وهي المشكلة التي يجد النماذج الحالية من GCNN صعوبة في التعامل معها. من خلال التجارب الواسعة، نظهر أن شبكتنا الكبسولية المقترحة للرسوم البيانية يمكن أن تتفوق بشكل كبير على طرق التعلم العميق المتقدمة الحالية وأنوية الرسوم البيانية في مجموعات البيانات القياسية لتصنيف الرسوم البيانية.