在司法领域,向法务工作人员推荐相似裁判文书可以帮助其进行案件分析,理清争议焦点,协助纠纷双方客观分析现状,拉近双方的期望值,提高解决纠纷的质量和效率。如何快速而精准地从裁判文书中提取特征信息,并以此为基础高效地对文书进行分类是相似文书推荐的基础。裁判文书冗余信息过多,因而关键法律要素提取困难。同时,各法律要素间存在复杂的逻辑关系,相关性较强。本文针对裁判文书的特点,首先基于平均信息熵指标体系,提出了一种法律文书表现力评估方法,可有效过滤出现频度较高但主题表现力较差的法律要素,从而提高法律要素提取效果。其次,针对现有文本表示方法在逻辑关系表示上的不足,提出了一种民事判决书信息网络模型,从文法基本维度构造法律要素关联网络,为文本分类提供数据基础,并给出了该关联网络的构造算法。然后,针对传统文本向量化算法word2vec受上下文窗口大小所限,容易陷入局部最优的缺点,提出了一种基于Network Embedding的关联特征提取算法,可有效发现法律要素之间的隐含逻辑关系,并给出了法律要素特征序列生成优化算法。最后,基于法律要素关联特征,设计并实现了两种贝叶斯网络结构学习方法,并在此基础上进行推理模型的构造,用于裁判文书分类。实验结果表明,本文所提出的技术与算法在裁判文书的分类问题上,具有较现有的其他方案更高的分类有效性。