在自然语言理解中，能够识别词语作为槽位并检测话语意图一直是一个重要的问题。现有的研究要么以流水线的方式分别处理槽位填充和意图检测，要么采用联合模型，在总结话语级意图的同时顺序地标记槽位，但并未显式地保留词语、槽位和意图之间的层次关系。为了利用语义层次进行有效建模，我们提出了一种基于胶囊网络的神经网络模型，该模型通过动态路由一致性方案实现了槽位填充和意图检测。此外，我们还提出了一种重新路由方案，以进一步利用推断出的意图表示来增强槽位填充性能。在两个真实世界数据集上的实验表明，与其他替代模型架构以及现有的自然语言理解服务相比，我们的模型具有更高的有效性。