近年来我国经济飞速发展,人民生活水平不断提高,但同时社会中也出现了大量的矛盾纠纷,使得大量案件不断涌入法院。同时,法院在案件办理的过程中庭审占据了大量的时间,因此提高庭审的效率是我国司法建设方面的重点内容。而争议焦点的有效归纳被认为是提高庭审效率的关键,因为它可以使当事人明确案件审理方向以便于阐明诉辩的理由,并且有利于法官驾驭庭审,掌握审判重点,从而顺利解决纠纷。但目前智能司法的探索中,法律争议焦点归纳仍然处于空白阶段。因此,为了弥补智能司法领域在争议焦点归纳方面的空白,本文以离婚纠纷案件为重点,研究具备可解释性的争议焦点归纳方法。本文的研究主要围绕数据集构建、数据处理、模型设计、实验验证等四个方面展开,具体研究内容如下:（1）标注语料构建。本文以离婚纠纷案件为重点,在充分阅读相关材料的基础上,确定数据标注内容。然后对中国裁判文书网上相应的法律文书,根据确定的标注内容进行数据打标。（2）数据处理。针对现有数据集格式不规范、数据量较少等问题,本文进行了数据预处理和训练集EDA数据增强操作。（3）可解释争议焦点归纳模型设计。本文设计了面向法律争议焦点归纳的带注意力机制BERT模型。该模型由BERT编码层、注意力层和全连接Sigmoid层等三个部分组成。其中的注意力层可对BERT编码的token向量赋予权重,以观察各token对预测结果的重要性,提供可解释性。（4）实验验证。一方面,本文将带注意力机制BERT模型与Text CNN、Text RNN、Text RCNN、Text RNN Attention、BERT、ERNIE2.0、BERT＿CNN、BERT＿RNN、BERT＿RCNN等九个文本分类模型进行对比实验,实验结果表明带注意力机制BERT模型的性能优于之前的工作,并通过注意力分配的权重对预测的结果提供可解释性。另一方面,为了观察本文采用的数据增强操作是否能够提高模型效果,本文在带注意力机制BERT模型的基础上对数据增强前后的数据集进行对比实验,实验结果表明本文采用的EDA数据增强操作有助于提升模型性能。本文的研究对智能司法领域进行了有益的补充:一方面构建了以离婚纠纷案件为重点的法律争议焦点数据集,另一方面设计了在争议焦点归纳方面性能优于其他工作的具备一定可解释性的带注意力机制BERT模型,并应用于法律争议焦点的归纳。