近年来,深度学习技术在我国司法领域有了显著发展。越来越多的学者引入深度学习来解决司法领域的问题并提高了司法机关的办案效率。司法工作的一个重要任务是识别出复杂案件的关键要素,建立文书中各实体之间的关系,准确把握案情的发展,为案件的理解、分析、裁定提供依据,增加案件结果的可解释性。但从实际应用情况看,深度学习技术在司法领域的应用尚未成熟仍然面临巨大挑战。一方面,目前现有的法律文本关键要素识别方法中,只考虑了核心要素识别,忽略了基本要素。然而基本要素包含了必要的法律相关信息,是法律领域特有的基本案件信息,对司法工作人员分析案件有重要的参考价值;另一方面,传统的识别关键要素的方法没有考虑上下文语义关系,忽略了要素语义信息和全局语义信息,导致法律文本关键要素识别效果不佳。因此,在法律文本关键要素识别中,不仅要考虑核心要素和基本要素,而且要综合考虑句子语义特征和要素语义特征,从而提高法律文本关键要素识别的效果,促进了司法机关的办案效率。针对法律文本核心要素识别问题,本文提出了一种融合核心要素语义信息的多标签分类模型,通过衡量法律关键要素与案例描述之间的相似性来识别法律核心要素。首先,使用BERT（Bidirectional Encoder Representation from Transformers）预训练语言模型在法律文本的句子向量和核心要素的句子向量中融入了全局语义信息,考虑上下文语义关系。其次,在获得全局语义信息后,使用余弦相似度分析句子和要素之间的相互关系识别法律文书中的核心要素,考虑了要素的语义。最后,在2019年中国法研杯司法人工智能挑战赛（CAIL-2019）数据集上与目前流行的方法作对比,本文实验结果有明显提升。本文提出的模型不仅充分利用了文本的语义信息,而且将要素语义信息考虑在内,有助于模型学习更多的语义信息,法律文本关键要素识别效果提升显著。针对法律文本基本要素识别问题,本文提出了基于动态表征的法律文本基本要素识别模型,该模型主要识别案件的主体、被告人责任、事故类型、加减刑因素和案件结果等六类关键要素。该算法利用BERT模型的动态表征能力对文本进行向量表征,在预训练过程中考虑了全局域语义信息更全面的实现了向量表征。其次,使用了双向长短期记忆网络的记忆元件整合法律文本中长距离词汇间的所有特征信息,高效地表示出单词在上下文中的含义,实现了法律文本基本要素识别。此外,使用条件随机场模型学习实体间标签的转移规则,输出最符合实际规则的标注序列。最后,本文提出的基本要素识别模型经过与目前较好的方法作对比有了明显的提升。