依法治国是我国的基本国策,近年以来法制建设不断推进,人们更加习惯于将问题诉诸法律,各类诉讼案件不断增加,部分法院存在审判工作压力大、审理周期长、人员紧缺等问题,在司法程序提升处理案件的效率显得尤为重要。并且随着我国经济社会不断发展,社会财富逐渐积累,中等收入群体日益扩大,人们对财产安全和稳定的需求也越来越迫切,需要对财富足够的安全感以稳定预期。因此精准的相似案例推荐对于法律判决有着重要作用,是司法智能化的重要环节,对依法保护人民财产安全有重要作用。本文首先介绍了论文涉及的相关理论与方法,包括财产犯罪的相关概念、深度学习模型以及推荐系统方法。其次使用BERT-LSTM模型解决案件的分类问题,以侵犯财产罪的法律判决书为研究对象,对数据进行类别平衡与降噪处理后,通过BERTLSTM模型对进行快速有效地对案件进行分类,完成罪名预测任务。实验结果表明,罪名预测的精确率为0.9448,宏平均F1分数为0.9401,精确率为0.9398,召回率为0.9411,在罪名预测任务上得到了较好的结果。再次以侵犯财产罪的法律判决书为研究对象,从法律要素角度,提出了相似案件的评价指标,将案件的相似性分为5个等级;最后以此为评价指标在第二章罪名预测模型的基础上进行Sentence-BERT的微调,由此得到法律案件事实描述的向量化语义表征,通过余弦相似度获得最终相似度并生成推荐列表。实验结果表明,由Sentence-BERT句向量进而计算相似度得到的推荐列表在Spearman秩相关系数上达到了0.7621,远高于基线模型,在NDCG@10指标达到0.9261,对比基线模型,NDCG指标整体提升了10%左右;并且分别对于“抢劫”和“敲诈勒索”这两个常见罪名采用示例生成推荐列表,从案件要素和刑期角度,推荐列表中的案件与查询案件相似度较高,生成的推荐列表质量较高,可以满足法律工作者的需求。本文结合使用的BERT-LSTM罪名预测模型与Sentence-BERT句向量表征,构建了基于罪名预测的相似案件推荐,在用BERT-LSTM模型对法律判决书进行罪名预测后,从相同罪名标签的数据库中依据Sentence-BERT进行语义表征和相似度计算,生成top N推荐列表,推荐列表质量较高,可以从法律要素和语义层面生成相似案件列表,推荐给法律工作者需要的案件;本文丰富了法律相似案例推荐的研究,为推荐算法在法律领域的应用提供重要的实证素材。