La clasificación de patentes ha sido considerada durante mucho tiempo una tarea crucial en la gestión de información de patentes y la minería de conocimiento de patentes. En los últimos años, los estudios que combinan métodos de clasificación automática de patentes mediante aprendizaje profundo con redes neuronales profundas han aumentado significativamente. Aunque se han realizado grandes esfuerzos en la tarea de clasificación profunda de patentes, se centran principalmente en la extracción de información desde una sola vista (por ejemplo, vista del título o abstracto), pero pocos estudios se ocupan de la clasificación profunda de patentes de múltiples vistas, que tiene como objetivo mejorar el rendimiento de la clasificación de patentes mediante la integración de información de diferentes vistas. Con ese fin, proponemos un método confiable de clasificación profunda de patentes de múltiples vistas. Dentro de este método, fusionamos información de patentes de múltiples vistas a nivel de evidencia desde la perspectiva de la teoría de la evidencia, lo que no solo mejora efectivamente el rendimiento de la clasificación, sino que también proporciona una estimación fiable de la incertidumbre para resolver la falta de fiabilidad de los resultados de clasificación causada por diferencias de propiedades e inconsistencias en las diferentes fuentes de información de patentes. Además, demostramos teóricamente que nuestro enfoque puede reducir la incertidumbre de los resultados de clasificación a través de la fusión de múltiples vistas de patentes, facilitando así el rendimiento y la fiabilidad de los resultados de clasificación. Los resultados experimentales en 759,809 datos de patentes de múltiples vistas del mundo real en Shanghai, China, demuestran la efectividad, confiabilidad y robustez de nuestro enfoque.