大数据时代的到来,传统的司法量刑方法已难以满足人们日益增长的司法需求。深度学习的兴起让量刑智能化进入大众视野,基于人工智能的量刑方法可以实时吸纳最新量刑实施细则的内容,在量刑方面理性地给出客观的答案,让法官在办理量刑案件时可进行参考,也让更多民众可以进行司法监督,助力司法改革成效明显。因此,基于深度学习的智能量刑方法研究应运而生。为了解决目前司法量刑的不足,本文将深度学习加入司法量刑,提出了基于海量法律文书的网络融合模型。该模型以预测司法量刑的三个任务为主,设计了该研究的任务拓扑,在预训练词向量的基础上进行递归神经网络、卷积神经网络及分层网络等模型的融合,实现了具有良好性能的智能量刑方法。本课题中的智能量刑方法包括三个任务,即根据文书内容中的案情描述进行被告人罪名、所触犯的法条及被判刑期的预测。首先使用预处理之后的法律文书数据分别训练静态词向量和动态词向量,然后设计了相应的深度网络模型,其中包括卷积神经网络、基于注意力机制的双向循环神经网络、循环卷积组合网络、分层注意力网络等。并且,为了考虑不同任务间的关联性,在相应任务的网络中加入其他任务的信息嵌入。针对任务三的回归问题,本文选择先进行分块分类,再将多个特征结合后进行回归,改进了直接使用回归算法时产生的过大的误差。最后,为了避免单个模型的局限性,本文进一步设计了基于三支决策的模型融合方法,通过对组合模型的多重决策和加权融合增强模型效果。本文进行了大量实验对算法性能进行了验证。实验结果表明,基于深度学习的量刑预测方法准确性明显优于传统机器学习方法,并且本文设计的深度学习模型结构显著地提高了模型精度。最后分析和选择了相应模型进行基于三支决策的模型融合,全局精度最高可以达到93%。因此,本文提出的研究方法可以有效预测智能量刑任务,提高了司法量刑效率。