随着大数据和人工智能技术的发展,知识图谱成为数据标准化、集成化的一种趋势。就司法领域知识图谱的构建而言,仍存在司法知识模型不明确,现有方法无法满足司法业务需要等问题。因此,本文的研究旨在基于司法领域文本的特点,结合深度学习技术,实现对司法文本的快速、有效处理,对其中信息的智能提取和分析。本文的主要工作如下:（1）对司法文本类型以及司法知识模型进行了调研和归纳总结。根据与法律行业专家知识,将司法知识抽取的对象归纳为五类司法文本,即:法律法规及司法解释文本、卷宗实体类文本、证据文本、案件事实文本,以及裁判量刑文本。针对这五类司法文本做了具体分析,结合其行文格式和实际业务工作中关注的重点要素,总结出了需要抽取的司法知识模型。（2）针对不同类型的司法文本,结合司法模型组成特点和数据格式,设计了五种不同的知识抽取技术。即:规则匹配与人工校验融合的法律法规抽取技术、基于BiLSTM+CRF的卷宗实体知识抽取技术、基于语义角色标注和深度学习的案件事实知识抽取技术、模板匹配与自然语言处理技术结合的证据知识抽取技术,以及基于实体-关系联合抽取模型的裁判量刑知识抽取。（3）设计并实现了基于级联二进制框架的实体-关系联合抽取模型。本文把关系建模为将头实体映射到尾实体的函数,而不是将其视为实体对上的标签,将传统关系抽取方法中的关系分类任务转化为尾结点预测任务,提升了抽取效果。（4）设计并实现了基于实体对齐和实体链接的司法知识融合技术。针对司法知识抽取结果中存在的知识冗余、知识冲突及指向不明等情况,通过将实体知识进行对齐来解决知识冗余与冲突的问题,并且进一步通过实体链接来消除知识指向不明的情况。