近年来人工智能和大数据技术取得了快速的发展,并极大的改善了人们的日常生活。在法院中,律师审理案件大部分仍通过人工阅读卷宗的方式,费时费力,如何利用大数据和人工智能技术提高办案人员阅卷的效率是亟需解决的问题。当前法院智能审判助理主要基于电子卷宗感知开展审判辅助工作,如通过对电子卷宗的识别实现数据填写,减轻法官事务性工作,但是对于电子卷宗的认知和理解还比较欠缺,无法切实提升法官工作效率。因此,研究电子卷宗自动阅卷技术,实现阅卷辅助系统从智能感知案件信息到智能认知案件内容,自动梳理案件的脉络以及案件审理中的疑难点,提高阅卷辅助系统的信息获取能力有着重大的意义。本文以电子卷宗自动阅卷为应用背景,围绕着案件画像构建、疑难案件法律问题认知和案情事实矛盾性检测展开研究,研究工作包含以下三个方面:一、基于信息抽取技术的案件画像构建方法。案件画像能够从不同维度展现案件中法官审判阅卷中最关注的案件要素。本文梳理了法官阅卷时关注的案件信息,构建了案件画像内容,设计了基于预训练语言模型和对抗训练的信息抽取模型,提高了现有抽取方法的准确率。二、基于神经排序模型的法律问题识别方法。针对审理中遇到的疑难案件审理困难,本文提出了一种法律裁判要旨推荐方法。它能够弥补现有的案件推荐系统只关注案件事实中的法律要素不能有效的识别案件中法律问题、庭审要点这一问题。本文分析了推荐裁判要旨的难点,设计了基于两阶段的推荐流程,和基于神经网络的推荐模型。通过对查询的案件推荐裁判要旨的方式辅助法官认识案件中的法律问题,并辅助审理疑难案件。三、融合多粒度句子交互的证据矛盾性检测方法。法官在审理案件时,需要将卷宗中有矛盾的部分梳理出来,在庭审时着重对此部分提问。本文提出了一种融合多粒度句子交互的证据矛盾性检测模型,依据案件相关人员对案情的供述,自动识别供述中矛盾的案件内容,帮助法官更加便捷的认定事实。基于以上研究,本文设计并实现了智能案件阅卷系统,并对其进行测试,测试结果表明该系统能够构建层次化的清晰的案件画像,识别案件的法律问题、庭审要点,实现案件卷宗的智能认知。有效的辅助法官阅卷,节省审理时间,提高审理效率。