近年来,随着人工智能等现代高科技技术在国内外的高速发展,国内外涌现出一大批为司法系统提供大数据支持以及法律人工智能系统的公司。这些公司不仅服务于律师事务所,甚至国内外司法机关也开始引入相关技术。法律人工智能系统的不断成长和发展,将对司法办案以及法律社会服务起到积极的促进作用。司法大数据服务网中,作为对法官、社会大众以及法律从业人员三方都有重要意义的案件辅助判决预测功能,仍然有完善和提升的空间。作为法律智能的典型任务之一,自动判决预测已经有了几十年的研究历史,从机器学习到深度学习,学者们提出了多种模型来对这项有监督学习任务进行改进。而从文本分类的本质来看,如何提取文本特征一直是一项关键的工作,模型的选取当然也至关重要。本文从文本分类的本质问题出发,并结合文本分类原理在法律问题上进行应用的特殊性,针对刑事案件的辅助判决预测,主要做了以下工作:首先,基于充分挖掘和提取刑事案件事实的文本特征,本文引入一级刑事案由以及混淆性判决属性作为刑事案件事实和刑事罪名之间的映射。对于刑事法律案件而言,一级刑事案由决定了最终刑事判决中的刑事罪名。因此结合法律案件受理的逻辑,本文从多层级标签分类的方式去考虑,在对刑事案件的一级刑事案由进行准确分类的基础上,训练各一级刑事案由的刑事罪名预测模型进行分类。同时,为了对同一刑事案由下的混淆性判决对进行更好的分类,本文引入了10个通用的混淆性判决属性。混淆性判决不仅对于区分混淆性判决对有很好的效果,同时,还可以将高频判决中信息共享给低频判决。同时本文通过样本采集,实现对小样本的关注,在一定程度上提升了对小样本的预测结果。通过在真实数据集上进行实验,结果表明,基于属性提取和一级刑事案由的预测效果在刑事判决分类任务上表现良好。其次,在模型的选取方面,本文选取textCNN作为一级刑事案由和混淆性判决属性的分类预测模型,提出改进的基于F（0.5）分数的加权投票随机森林算法作为最终的刑事罪名的预测。鉴于textCNN在短文本分类任务上的优良表现,本文提出用textCNN预测一级刑事案由,同时,基于案件事实提取混淆性判决属性。输出一级刑事案由以及各混淆性判决属性的属性强度。同时,模拟法官的判案逻辑,利用随机森林决策树生成时的if-then规则集合思想对最终的刑事罪名进行分类。通过在真实数据集上进行实验,结果表明本文提出的textCNN+RF（0.5）模型分类效果较单模型和其他的基线模型而言取得了更好的结果。