近年来,人工智能发展迅速,机器学习和深度学习也被应用到各个领域,法律领域的智能化已经成为人工智能中的一个热点研究问题,判决预测就是法律领域的智能化一个重要方式。判决预测根据法律文书中的事实描述文本,通过机器学习、深度学习等技术进行判决的预测。判决预测的实现能够有效的辅助法官、律师等法律工作人员更加高效的对法律案件进行处理,也能够更好的帮助非法律工作人员理解法律法规在案件中的应用。罪名预测和法条推荐则是判决预测中的两个较为重要的子任务,罪名预测是根据案件的犯罪事实的描述部分对案件的罪名做出预测,法条推荐则是根据犯罪事实的描述部分对案件相关的法条做出推荐。对于这两个重要的子任务,传统的方式大多基于统计学的方法,但是这种方法效果并不好,做不到准确的预测。因此本文通过深度学习技术实现罪名预测和法条推荐任务,进而实现罪名的预测和法条的推荐。本文的主要研究工作包括以下两个方面:（1）罪名预测任务。针对罪名预测任务,提出了一种BERT和LSTM-CNN融合模型的方法解决罪名预测任务。首先使用BERT模型将事实描述中的文本数据中提取特征即单词和句子的嵌入向量;然后将BERT模型提取的特征向量输入到LSTM模型与CNN模型的融合模型进行特征提取,由融合模型提取的特征经过Softmax分类得出预测结果。通过实验得出结果与针对相关问题使用的现有方法相比,本文提出的方法都取得了最好的结果。准确率达到了97.64%,宏精确率达到了96.41%,宏召回率达到了96.57%,宏F1值也到了96.97%。（2）法条推荐任务。针对法条推荐任务,提出了一种基于自注意力机制和特征融合的法条推荐模型的方法解决法条推荐任务。Word2vec能较好的计算词与词之间的相似性,从而获取文本的语义信息。因此使用Word2vec对事实描述中的文本进行向量化;考虑到单个模型提起的特征并不全面,本文使用多个模型提取特征并融合的方式获得文本特征。首先使用BIGRU模型提取文本的上下文特征,并在BIGRU提取特征后加入自注意力机制提取加权信息;与此同时并行使用CNN模型提取文本的局部关键信息特征;最后,将加入自注意力机制的特征和CNN提取的特征进行融合,由融合后的特征得出法条推荐结果。实验结果表明,本文提出的模型相对于其他模型在准确率、精准率、宏F1值上都有较为明显的提升,达到了96.20%、94.83%、94.85%和94.82%。