文本分类在数据不足或需要适应未见过的类别时往往表现不佳。在这些具有挑战性的场景中，最近的研究利用元学习来模拟少样本任务，其中新的查询样本会在样本层面与一个小的支持集进行比较。然而，这种样本层面的比较可能会因同一类别中的不同表达而受到严重影响。因此，我们应该能够学习支持集中每个类别的通用表示，然后将其与新的查询样本进行比较。本文提出了一种新颖的归纳网络（Induction Network），通过创新性地在元学习中应用动态路由算法（Dynamic Routing Algorithm）来学习此类通用的类别表示。通过这种方法，我们发现模型能够更好地进行归纳和泛化。我们在一个广泛研究的情感分类数据集（英语）和一个实际的对话意图分类数据集（中文）上评估了所提出的模型。实验结果表明，在这两个数据集上，所提出的模型显著优于现有的最先进方法，证明了类别层面泛化在少样本文本分类中的有效性。