Dans cette étude, nous explorons les réseaux de capsules avec routage dynamique pour la classification de texte. Nous proposons trois stratégies pour stabiliser le processus de routage dynamique afin d'atténuer les perturbations causées par certaines capsules bruyantes qui peuvent contenir des informations de « background » ou n'avoir pas été formées avec succès. Une série d'expériences a été menée avec des réseaux de capsules sur six benchmarks de classification de texte. Les réseaux de capsules atteignent l'état de l'art sur 4 des 6 jeux de données, ce qui démontre leur efficacité pour la classification de texte. Nous montrons également que les réseaux de capsules présentent une amélioration significative lors du transfert de la classification mono-étiquette à la classification multi-étiquettes par rapport aux méthodes baselines robustes. Selon nos connaissances, il s'agit du premier travail dans lequel les réseaux de capsules ont été investigués empiriquement pour la modélisation du texte.