随着计算机技术的发展进步,人工智能已经开始进入到人们生活,从最开始的机器学习,再到深度学习的发展,之前的学者所假设会出现的一系列东西都即将成为现实。人工智能在法律领域的应用是比较热门的研究领域,国家一直对人工智能和法律的结合持有积极的态度。要想将人工智能应用到法律领域的基础是数据,有数据才会有研究的价值,近几年来,中国裁判文书网已经积累了大量高质量的裁判文书,这些数据为研究带来了可能性。近几年来,全国法院审执结案件总数在不断的上升,给我国的司法机构以及执法人员带来了巨大的压力,为了能够缓解这个问题,我们可以尝试使用算法模型进行法律判决预测,通过使用计算机来帮助缓解结案压力。通过计算机进行辅助法律判决预测,不仅能够节省人力物力来针对更严重的案例,而且相对提高了司法的公平公正性,避免了不同法官因为主观性的影响导致同案不同判现象的出现。法律判决预测作为目前的研究热门,目前主要的任务包括法条预测及罪名预测。之前的一些研究是基于案情描述的相似程度,将相似的案例推荐给法官帮助判案。本文通过使用深度学习相关算法模型,将其应用于法条预测和罪名预测问题中,通过调整模型参数得到一个较高准确率的模型。其次,本次研究还解决了法律判决预测中的两个主要问题,一是数据不平衡的问题,二是易混淆罪名的问题。对于法条预测,本文选取了与直接判罪有关的183个法条,是一个多标签文本分类的任务。在进行法条预测时,本文通过将案情描述的文本数据经过一系列预处理之后,通过预训练的word2vec模型将案情描述文本数据转换为计算机所能识别的矩阵。通过应用支持向量机作为基准,使用了CNN、Text CNN、LSTM、GRU、BILSTM及BIGRU模型进行对比,通过参数及模型的对比,最后发现在阈值选择为0.7时,模型效果较好。其中,BILSTM的效果整体优于BIGRU,当阈值设置为0.7时,F1值能够达到85.5%。对于罪名预测,本文以202个刑法罪名为标签,同样也是一个多标签文本分类任务。通过对比参数及模型,发现在阈值选择为0.7时,模型效果较好。其中,BILSTM的效果整体优于BIGRU,当阈值设置为0.7时,F1值能够达到88.02%。目前,法律判决预测中最主要的两个问题是数据不平衡以及易混淆罪名。数据不平衡即低频罪名的数量较少,会导致样本数量的分布不均衡,从而影响预判的准确率。本文通过使用两种方法解决该问题,一是通过补充低频罪名的数据;二是更改模型的损失函数为focal loss,给予难训练、低频率的样本更高的权重。通过使用之前在罪名预测上表现最佳的BILSTM算法,模型的准确率达到了85.17%,比之前高1.1%;F1值达到了89.5%,比处理之前高1.5%。易混淆罪名即会存在定义相似的罪名,通过机器预测时会容易出现错误,针对该问题,本文使用融入案情描述关键词的办法解决该问题。通过使用两种无监督的关键词的抽取办法对案情描述进行关键词抽取:TF-IDF和Text Rank。通过对比实验,发现TF-IDF的效果较好,相对于未处理过的原始单输入模型,经过融入案情描述关键词的模型在几个易混淆罪名上的表现都得到了提升。