La industria de la salud ha avanzado significativamente en el diagnóstico de enfermedades cardíacas gracias al uso de sistemas de detección inteligente como electrocardiogramas, ecocardiogramas y diagnósticos de sonidos anormales que utilizan tecnología de inteligencia artificial (IA), como las redes neuronales convolucionales (CNN). Durante las últimas décadas, se han estudiado ampliamente métodos para la segmentación y clasificación automatizadas de sonidos cardíacos. En muchos casos, tanto los datos experimentales como clínicos requieren fonocardiogramas (PCGs) etiquetados con electrocardiografía (ECG) o varias técnicas de extracción de características del espectro de coeficientes cepstrales de frecuencia en escala mel (MFCC) de los sonidos cardíacos para lograr mejores resultados de identificación con métodos de IA. Sin buenas técnicas de extracción de características, la CNN puede enfrentar desafíos al clasificar el espectro de MFCC de los sonidos cardíacos. Para superar estas limitaciones, proponemos una red neuronal de cápsulas (CapsNet), que puede utilizar métodos iterativos de enrutamiento dinámico para obtener buenas combinaciones de capas en la equivalencia de translación de características del espectro MFCC, mejorando así la precisión de la predicción de la clasificación de soplos cardíacos. La base de datos de sonidos cardíacos PhysioNet 2016 se utilizó para entrenar y validar el rendimiento predictivo de CapsNet y otras CNN. Luego, recopilamos nuestro propio conjunto de datos de escenarios clínicos de auscultación para ajustar hiperparámetros y probar resultados. CapsNet demostró su viabilidad al lograr precisión de validación del 90.29% y 91.67% en el conjunto de datos de prueba.