随着社会发展,我国的法制建设进一步加强。面对各类案件数量的增长,给法律从事人员带来了一定的挑战,能否维护公平公正是一个难题。在此背景下,辅助判决预测技术应运而生。辅助判决预测任务主要是给定一个案件的事实描述,对其中的关键信息进行分析,最后给出一个判决结果。这样,既保证了司法人员向同案同判的方向考虑,也为群众提供了一个有效的咨询手段,为司法智能化和和保证法律公平公正都提供了有效支撑。当前,辅助判决预测主要集中在中英文领域。然而,在少数民族语言方面,辅助判决预测相关研究却相对较少,如针对蒙古语的辅助判决预测研究仍有待探索。首先,相比于中英文丰富的语料资源,蒙古语目前未发现有公开的语料。另外,蒙古语也存在歧义的问题,采用传统的词向量表示方法无法对不同语境下词汇的意义进行区分。基于以上问题,本文通过构建一定规模的蒙古语语料库,研究基于卷积神经网络（Convolutional Neural Network,CNN）、长短时记忆网络（Long Short Term Memory,LSTM）等模型的辅助判决预测,主要工作总结如下:（1）基于规则的蒙汉刑事判决文书自动标注抽取:语料是进行自然语言处理任务的关键,其质量决定着能否展开进一步的研究。而当前尚未发现有关蒙古语辅助判决预测的公开语料,为了展开进一步的研究,本文通过从“中国裁判文书网”爬取相关数据,结合现有的刑事判决文书标签体系,利用规则的方法对汉语和蒙古语数据进行标注抽取,构建语料库。实验证明,该方法能够有效地抽取出判决文书中的关键信息,而且在汉语测试集上F1值达到了 92.88%,在蒙古语测试集上F1值达到了 93.14%。（2）针对汉语容易出现歧义等问题,本文通过提出在编码端融入词性特征,然后训练词向量,经过在CNN和LSTM模型中实验,实验证明融入词性特征能够有效缓解汉语歧义问题,有效提高模型效果。而针对刑事案件中易混淆案件容易出现误判的问题,本文提出结合注意力机制（Attention）到CNN和LSTM模型中。实验证明结合注意力机制后,模型针对易混淆案件出现误判的情况有所缓解,进一步提高了模型的效果。最终表现最好的是融合了词性特征和注意力机制的LSTM模型,相比于未调优之前的模型,在法条预测任务中F1达到了 78.00%,提升了 1.42%,罪名预测任务中F1达到了 82.10%,提升了 0.75%,刑期预测任务中F1则达到了 33.02%,提升了 1.57%。（3）针对蒙古语语言特点,我们采取了针对该语言的特定处理。针对当前词向量训练方式的多样化,我们探究了在不同方式下蒙古语词向量对于蒙古语辅助判决预测任务的影响。表现最好的是基于fastText的LSTM模型,在法条预测任务中F1达到了 60.62%,罪名预测任务中F1达到了 60.46%,刑期预测任务中达到了 25.26%。而辅助判决预测任务中子任务间存在共享信息,我们采用基于拓扑依赖关系的模型进行辅助判决预测任务,然后对比CNN、LSTM模型以及拓扑依赖模型在蒙古语语料中的效果,表现最好的是基于拓扑依赖的模型,在法条预测任务中F1达到了 61.47%,罪名预测任务中F1达到了61.20%,刑期预测任务中达到了 25.70%。