近年来社会出现的司法纠纷逐渐增多,导致司法案件数量快速增加,使人民法院的工作任务量逐渐增大。法官对案件的判决是将犯罪事实与法条进行匹配,找到判案的法律依据,从而决定犯罪嫌疑人的罪名并判刑,即以事实为依据,以法律为准绳。这个任务十分耗时而且需要大量专业知识。因此可通过自然语言处理技术,以案情事实描述为输入,预测出对应的罪名。这样可以在法官判案时给予一定的参考,节约人力成本,提高判决预测效率。一些算法还可以在一定程度上给出可解释性,使司法判决更加准确有效且容易让人理解。本文设计了一个基于数据和知识驱动的法律判决预测框架,以刑法判决文书为数据集进行实验。通过TF-IDF和Text Rank算法在数据集上抽取关键词,结合法条原文和法律外部知识获得关键词表,并将得到的关键词融入到BERT模型当中,从而给出司法判决预测。相比于传统模型,融入关键词后的模型效果有一定的提升。为了检验抽取的关键词是否有效,在另外一个大数据集上进行实验,实验结果表明抽取的关键词在新数据集上仍然有效,表明建立的关键词表有一定的适用性。为了进一步检验哪些关键词对模型结果影响较大,以抢劫罪、抢夺罪、贪污罪、受贿罪和玩忽职守罪为例,将这些罪名所对应的样本中的关键词逐一遮盖并进行实验,得到各个关键词筛除后的模型结果F1-score。结果表明一些关键词对模型效果影响显著,这也说明了抽取的关键词有一定的意义,同时还具有一定的可解释性。通过实验得知,法律事实描述的关键词对罪名的判定结果有着重要的意义。所以本文在建立关键词表时充分考虑了法条的内容,同时对于一些法条内容较少而无法有效获得关键词的罪名引入相关外部法律知识来获得相应的关键词,从这一方面给出可解释性。