Graph Convolutional Neural Networks (GCNNs) stellen die neueste aufregende Entwicklung im Bereich des Deep Learnings dar und ihre Anwendungen verbreiten sich rasch in mehreren interdisziplinären Bereichen, einschließlich Bioinformatik, Chemoinformatik, sozialen Netzwerken, natürlicher Sprachverarbeitung und Computer Vision. In dieser Arbeit identifizieren und adressieren wir einige grundlegende Schwächen eines GCNN-Modells mit Hilfe der Kapsel-Idee, die in \cite{hinton2011transforming} präsentiert wurde, und schlagen unser Modell des Graph Kapselnetzes (GCAPS-CNN) vor. Darüber hinaus gestalten wir unser GCAPS-CNN-Modell speziell zur Lösung von Graphklassifikationsproblemen, an denen aktuelle GCNN-Modelle scheitern. Durch umfangreiche Experimente zeigen wir, dass unser vorgeschlagenes Graph Kapselnetz die bestehenden state-of-the-art Deep-Learning-Methoden sowie Graphkerne bei der Klassifikation von Benchmark-Datensätzen erheblich übertrifft.