Clasificar imágenes digitales utilizando redes neuronales es una de las tareas más fundamentales dentro del campo de la inteligencia artificial. Durante mucho tiempo, las redes neuronales convolucionales han demostrado ser la solución más eficiente para procesar datos visuales, como clasificación, detección o segmentación. La operación eficiente de las redes neuronales convolucionales requiere el uso de aumento de datos y un alto número de mapas de características para incrustar transformaciones de objetos. Especialmente para conjuntos de datos grandes, este enfoque no es muy eficiente. En 2017, Geoffrey Hinton y su equipo de investigación presentaron la teoría de las redes de cápsulas. Las redes de cápsulas ofrecen una solución a los problemas de las redes neuronales convolucionales. En este enfoque, se puede lograr eficiencia suficiente sin un aumento de datos a gran escala. Sin embargo, el tiempo de entrenamiento de la red de cápsulas de Hinton es mucho más largo que el de las redes neuronales convolucionales. Hemos examinado las redes de cápsulas y proponemos una modificación en el mecanismo de enrutamiento para acelerar el algoritmo. Esto podría reducir el tiempo de entrenamiento de las redes de cápsulas casi a la mitad en algunos casos. Además, nuestra solución logra mejoras de rendimiento en el campo de la clasificación de imágenes.