传统的事件抽取只关注固定的事件类型。然而,在案件分析中,需要获取所有可能的事件。在前期工作中,我们将谓语中心词作为事件的触发词,抽取案件中所有可能的事件。由于相同的谓语动词可以触发不同类型的事件,不同的谓语动词又可以触发同类型事件,加上近义词、同义词的影响,使得面向事件的司法分析面临很大挑战。为了有效支撑智能司法的各种底层任务,例如:司法数据分析、司法数据检索和司法事理图谱构建等,本文主要研究面向司法数据的事件表示方法。事件表示是将结构化的文本信息表示为计算机能理解的矩阵向量,通过利用上下文语义,将事件的语义信息嵌入到向量空间中,从而获取事件的分布式抽象语义结构。由于司法事件的语义信息与其对应的审判结果存在关联关系,本文将该关联关系引入到司法事件表示任务中,提出了基于弱监督学习的司法事件表示学习方法和基于多任务学习的司法事件表示学习方法。介绍如下:（1）基于弱监督学习的司法事件表示方法研究。司法事件与审判结果存在关联关系,然而相对于裁判文书中的单个事件而言,审判结果是一个粗粒度标签,无法直接构建有监督的事件表示模型。为了充分利用该信息,本文提出了基于弱监督学习的司法事件表示学习模型。该模型首先使用预训练的词向量将事件文本转化为向量表示。然后,通过CNN捕捉到事件文本的语义特征。并利用全连接层将语义特征嵌入到一个向量空间,获得了事件的向量表示,最后使用判决信息与该事件表示计算损失,将所有的事件损失相加作为整个模型的损失,优化目标为使预测的判决结果更加正确。通过该方法训练的事件表示,在相似度计算任务中F1值达81.0%,比对比模型高5.2%。在聚类任务中NMI值平均达0.885,比对比模型高0.187。（2）基于多任务学习的司法事件表示学习方法研究。在本文第一个方法中,训练目标单一使得学到的事件表示泛化能力弱。为了提高模型泛化能力,本文同时引入更多的审判结果作为监督信息。通过多任务学习的方式增强事件的表示学习效果,共涉及到3个学习任务。任务一:以预训练词向量为基础,获取事件各个元素的向量表示,通过张量神经网络学习事件元素之间的交互信息。任务二:利用法条语义与事件语义具有高度相似的特性,通过训练模型使得法条与事件之间尽可能相似,将法条语义信息融入到事件表示中。任务三:罪名是判决结果中最明确的信息,其与事件具有明显的关联关系,通过罪名预测任务将该关联信息融入到事件表示中,以增强事件语义。模型的学习目标为整个模型损失最小。通过该方法训练的事件表示,在相似度计算任务中F1值达77.9%,比对比模型高1.8%,在聚类任务中NMI值达0.789,比对比模型平均高0.133。