经过多年的发展,我国法院信息化工作获得了较大的成就,电子化裁判文书就是其中重要成就之一。对电子化裁判文书进行专题分析,成为司法大数据服务国家治理、服务经济社会发展的新方向。通过文献阅读和调研,发现在垂直行业中还未有面向裁判文书的知识图谱构建研究,因此通过裁判文书获取知识,整合知识的工作具有重要的研究意义和应用价值。本文对面向裁判文书的知识图谱构建开展了以下工作:首先在实体识别阶段,针对非结构化数据,为了弥补中文命名实体识别的深度学习方法中,未充分考虑输入字序列之间的依赖关系,本文提出了一种将注意力机制与长短时记忆模型相融合、加入词向量的中文命名实体识别方法,通过在标准数据集上的实验结果,表明该方法优于词向量与字向量相结合的深度学习方法,对中文命名实体识别的性能和效率有所提高。同时将以上改进方法应用到裁判文书的行业和标的物实体识别上,通过实验验证其效果。针对半结构化数据,采用正则表达式抽取除行业及标的物之外的实体,无需人工标注。其次在关系抽取阶段,提出了依存句法分析与模板匹配的方法。根据在裁判文书中进行实体识别抽取的律师实体,获取对应在律师365网站上的律师简介文本,编写模板提取律师属性关系,实验结果表明该方法能够有效地抽取实体之间的关系。最后在知识图谱的构建及存储阶段,提出基于裁判文书的本体建模方法。根据类、范围、域、对象属性、数据属性的定义,分析了面向裁判文书的类及类之间的关系,通过protégé对裁判文书相关实体及其关系增加了约束限定,本体即Schema层指导知识图谱的构建,根据本体模型生成的OWL文件中的数据模式将抽取的知识转化为RDF三元组知识,存储在Neo4j图数据库中,生成最后的知识图谱,为法律领域的相关人士提供知识服务。