Les Réseaux Neuronaux Convolutifs sur Graphes (GCNNs) représentent la dernière avancée passionnante dans le domaine de l'apprentissage profond, et leurs applications se propagent rapidement dans de nombreux domaines interdisciplinaires, notamment la bioinformatique, la chimio-informatique, les réseaux sociaux, le traitement du langage naturel et la vision par ordinateur. Dans cet article, nous mettons en lumière et abordons certaines des faiblesses fondamentales d'un modèle GCNN en utilisant l'idée de capsules présentée dans \cite{hinton2011transforming}, et nous proposons notre modèle de Réseau de Capsules sur Graphes (GCAPS-CNN). De plus, nous concevons notre modèle GCAPS-CNN pour résoudre spécifiquement le problème de classification de graphes, qui pose des défis aux modèles GCNN actuels. À travers une série d'expériences approfondies, nous démontrons que notre Réseau de Capsules sur Graphes proposé peut considérablement surpasser à la fois les méthodes d'apprentissage profond existantes de pointe et les noyaux de graphes sur des jeux de données de référence pour la classification de graphes.