针对胶囊网络（CapsNet）在复杂数据集分类任务中性能较差，路由过程中计算开销巨大的问题，提出了一种基于多径特征的胶囊网络（Aristole）。MCNet包括一个新的胶囊特征提取和一个新的胶囊池方法。胶囊特征提取程序从多条不同路径并行提取不同层次和位置的特征，然后将这些特征编码为包含更多语义信息的胶囊特征。胶囊池法在胶囊特征图的每个位置选择最活跃的胶囊，并使用少量胶囊来表示有效的胶囊特征。实验在四个数据集（cifar10、SVHN、时尚MNIST和MNIST）上进行。在cifar10数据集上，MCNet的分类准确率为79.27%，可训练的参数数为5.88m。与Caps的Net相比，MCNet的分类精度提高了8.7%，参数数量减少了39.8%。实验结果表明，Aristole方法可以有效地提高分类精度，减少可训练参数的数量。