文本自动分类作为人工智能中一项重要的技术,旨在通过智能化手段筛选出目标信息,在医疗、电商、体育等领域中有着广泛的应用。近年来,司法领域中面临“案多人少”问题的日趋加重,急需通过人工智能技术来辅助办案过程,提升司法工作质效。本文从文本分类方法研究和文本分类在司法领域中的应用研究两方面开展了如下工作:（1）提出了一种基于多模型融合的文本分类模型。基于深度学习的文本分类方法大多只针对单一的模型结构进行深入研究,这种单一的结构缺乏同时捕获并利用全局语义特征与局部语义特征的能力,且网络的加深会损失更多的语义信息。对此,提出了一种基于多模型融合的文本分类模型（FMNN）,FMNN在最大限度减小网络深度的同时融合了BERT、RNN、CNN和Attention等神经网络模型特性。用BERT作为嵌入层获得文本的矩阵表示,用Bi LSTM和Attention联合提取文本的全局语义特征,用CNN提取文本多个粒度下的局部语义特征,将全局语义特征和局部语义特征分别作用于softmax分类器,最后采用算术平均的方式对结果进行融合。在SST-2、IMDB和AG＿News三个公开数据集上的实验结果表明,FMNN模型实现了更高的文本分类准确率。（2）提出了一种篇章分析和语句分析相结合的争议焦点识别模型。案件的争议焦点识别是制约审判效率的关键问题,目前人工智能技术在争议焦点识别问题上还处于探索阶段。基于案件的诉辩文本进行研究,针对深度学习模型结构深层化后全文语义信息丢失以及局部文本环境下缺乏上下文语义信息的问题,提出了一种基于篇章分析和语句分析的争议焦点识别模型（DFRM）。DFRM模型将争议焦点识别转化为文本分类任务,使用改进后的FMNN进行全文预测,并用规则进行句子级别的预测,通过全文和句子两个级别去识别文本蕴含的信息,实现了全文和句子两个层面的信息互补,进而提升了争议焦点的识别精度。DFRM模型对争议焦点的识别准确率为93.67%,比FMNN模型提升了3.63%的精度,为司法领域中争议焦点的识别问题提供了有效的解决方法。此外,实验证明DFRM使用的方法在其它模型上同样适用,具有较好的通用性。