近年来,以深度学习和自然语言处理为代表的人工智能技术取得巨大突破,开始在法律智能领域崭露头角。法律智能赋予机器理解法律文本、分析案例的能力,能根据案件的事实描述预测被告人的罪名。自动罪名预测在协助法官和律师提高法律决策效率方面起着重要的作用,因此受到了广泛的关注。然而,目前现有的大部分自动罪名预测研究工作专注于高频罪名预测任务,但很少研究工作针对低频罪名预测任务提出有效的解决方案。因此,本文针对低频罪名预测问题提出了一种序列增强的胶囊网络模型,简称SECaps模型,以缓解这一问题。具体地,在胶囊网络工作的基础上,我们提出了seq-caps层,该层同时考虑法律文本的序列语义信息和空间位置信息。然后设计了一个注意力机制的残差单元,为罪名预测提供了辅助信息。此外,为了使模型在训练时更专注于难分类的样本,SECaps模型引入了focal loss损失函数,缓解了罪名标签的不平衡问题。通过比较目前最先进的方法,SECaps模型在三个真实数据集Criminal-S、Criminal-M和Criminal-L中分别在F1上取得了4.5%,2.5%和6.4%的提升。另外,在低频罪名预测场景上,SECaps模型在F1上比目前最先进模型高出4.1%的性能。实验结果一致证明了SECaps模型在低频罪名场景中的优越性和竞争力。另外,由于自动罪名预测任务中存在多重罪名预测问题,由于其太过复杂以至于很难解决,目前现有的罪名预测研究工作往往忽视了司法案件存在多重罪名的情况。基于此,本文针对多重罪名预测问题提出了一种标签胶囊网络模型,简称LCaps模型。具体地,我们利用长短期记忆网络(LSTM)捕捉法律案件文本描述的序列信息表征,以及提出一种改进的胶囊网络来捕捉法律案件文本描述的空间位置信息表征。接着,提出了一种标签胶囊来表征各个犯罪行为标签,以根据标签胶囊的概率表征判断法律案件的犯罪行为。此外,我们认为相关法律条文在这一任务中起着重要的作用,因此将罪名预测任务和法律条文预测任务在一个统一的框架进行联合训练。据我们所知,本文是第一个关注多重罪名预测问题。通过比较目前最先进的方法,LCaps模型在真实的CAIL2018-Small数据集中获得了9.4%的F1平均绝对提升。实验结果一致证明了LCaps模型在解决多重罪名预测任务的优越性和竞争力。