法律文本挖掘是一种从法律领域的文本数据中挖掘出有用信息的计算机自动分析技术,受到了自然语言处理界的广泛关注。法律判决预测（Legal Judgment Prediction,LJP）在法律文本挖掘中具有很高的研究价值,旨在根据案件事实描述来预测判决结果（如适用法律条款、罪名、刑期等）。不仅可以为司法工作人员提供专业的且具有参考价值的法律建议,也可以为有法律咨询需求的非专业人士提供高效价廉的服务。在以往的研究中是将LJP视为文本分类任务,采用深度神经网络（Deep Neural Networks,DNN）方法对文本数据进行分类。尽管DNN在法律判决预测方面取得了成功,但目前大多数方法并没有与法律知识进行很好的结合。因此,将法律知识注入到神经网络来提高模型的可解释性及其性能仍然是一个重要的问题。本课题以法律判决预测中如何将知识进行合理表达并与判决预测模型进行融合为研究对象,提出了基于嵌入的方法并结合先验知识对司法判决进行辅助性分析,分别把知识表示成知识图谱与知识概念两种形式,并与司法判决预测模型进行合理融合的方法,从而实现判决预测模型性能提升。第一,从具有常识知识能力的预训练模型的设计角度,预训练语言模型是基于大规模语料库训练而来的,是具有基本常识知识推理能力,本课题针对主流模型Bert及XLNET进行修改,以实现知识引导的判决预测任务。第二,从显性知识的合理表达角度,针对知识图谱融合到预训练语言模型,本课题采用构造句子树的形式解决表示空间不一致问题,引进软位置的概念及可见矩阵解决知识噪声问题,并在此方案上结合Bert与XLNET模型的特性,进而合理地将知识图谱嵌入到法律文本当中。第三,从隐性知识的合理表达角度,针对知识概念融合到预训练语言模型,本课题通过注意力机制来捕获知识特征,并将法条知识与罪名知识构造成图结构,进而通过知识蒸馏的方式分别提取法条与罪名的可区分性向量,为了进一步区分在同一个图群组里的高度相似的法条与罪名,本文引进了相互指导机制,通过法条与罪名知识的相互指导,从而进一步的区分高度相似的知识,进而提高了判决预测的整体性能。关于在数据集上的测试,我们首先采用准确率（Accuracy）、宏精度（Macro-Precision）、宏召回率（Macro-Recall）和宏F1值（Macro-F1）来作为评测指标,然后分别对基线模型Bert与XLNET及两种知识分别融合到Bert模型和XLNET模型进行测试,最后将两种知识同时融入到基线模型进行混合测试,来验证显性知识与隐性知识在判决预测当中的重要性。实验结果表明,两种知识混合融入到XLNET模型的效果最佳,分别在法条推荐与罪名预测任务上准确率提升了 3.6%、3.9%。