本文基于当前法律智能体系模型可解释性差、要素识别研究过少、低频易混淆法因预测效果不佳的现状,设计了一种基于ILJP的可解释性法律智能研判模型,该模型将关键要素识别任务与法因预测任务在同一框架内联合建模,通过关键事实要素与引入的法因路径提升低频、易混淆法因的预测性能,识别的关键事实要素与预测的法因路径可以为模型提供一定的可解释性支撑。本文主要工作内容如下:（1）基于LEP的关键事实要素识别。本文针对我国司法体系关键事实研究过少、模型可解释性差的现状设计了一种LEP模型用于识别法律文书中的关键事实要素。LEP模型基于XLNet-RCNN-S网络对事实描述进行编码,基于FE-MHA机制获得特定标签的语义表示。实验结果表明,LEP模型相较于XLNet模型Macro-F1和Micro-F1值在CAIL数据集中分别提升了2.66%和4.04%,在民事数据集上最高能提升4.05%和5.42%,说明该模型能够捕获丰富的标签特征,对关键事实要素识别是有效的。（2）基于HLCP的法因预测。本文针对我国低频、易混淆法因难以预测的现状设计了一种HLCP模型用于法因预测,该模型引入了法因的层次结构将法因预测转化为序列生成任务,通过改进的Seq2Seq-attention模型来预测法因路径。实验结果表明,LEP模型相较于XLNet模型ACC和Macro-F1值在CAIL数据集上分别提升了2.93%和4.55%,在CIVIL数据集上分别提升了2.29%和3.41%,说明该模型能够利用法因之间的层次关系和内部的文本信息来改善数据分布不平衡的问题。（3）基于ILJP的可解释性法律智能研判模型。本文以保证模型可解释性为前提,基于LEP和HLCP模型设计了一种法律文书智能研判模型,并提出要素感知机制将识别的事实要素融入到法因预测任务中,实现了要素识别和法因预测在统一框架内的联合建模。实验结果表明,ILJP模型相较于XLNet模型ACC和Macro-F1值在CAIL数据集上分别提升了5.09%和6.88%,在FSC数据集上分别提升了0.88%和3.22%,说明ILJP模型能够缓解数据分布的不平衡现象,有效提升模型关键事实要素预测和低频、易混淆法因预测的性能,同时为模型提供一定的可解释性支撑。