Cet article étudie l’apprentissage continu (CL) d’une séquence de tâches de classification des sentiments selon les aspects (ASC). Bien que certaines techniques de CL aient été proposées pour la classification des sentiments sur documents, nous ne connaissons aucun travail sur le CL appliqué à l’ASC. Un système de CL qui apprend de manière incrémentale une séquence de tâches d’ASC doit résoudre les deux problèmes suivants : (1) transférer les connaissances acquises lors des tâches précédentes vers la tâche actuelle afin d’aider à construire un meilleur modèle, et (2) préserver les performances des modèles des tâches antérieures afin d’éviter l’oubli. Cet article propose un nouveau modèle basé sur les réseaux de capsules, appelé B-CL, pour répondre à ces défis. B-CL améliore significativement les performances de l’ASC tant sur la tâche nouvelle que sur les tâches anciennes grâce à un transfert de connaissances bidirectionnel (avant et arrière). L’efficacité de B-CL est démontrée à travers des expérimentations approfondies.