随着司法透明的不断提高,使得公众对于司法裁判的关注度越来越高,需要司法人员进行更加公平的案件判决。本文通过利用自然语言处理技术对司法裁判智能化辅助方法的研究,以裁判文书集作为实验数据,旨在提高司法人员的工作效率以及促进更加公正的案件审理。主要完成工作如下所示:1.基于司法裁判智能化辅助方法的需求及人工智能在法律领域中相关技术研究,利用裁判文书作为数据资源,提出了以罪名预测和相似案例文书推荐相结合的辅助审理方案,并详细介绍了辅助审理方法所涉及的自然语言处理技术以及做了相应的基础工作,主要包括:文书数据预处理,构建案例库,分类器训练,人工标注打分等以便后续的辅助审理方案的实现。2.在罪名预测研究中,针对传统CHI特征选择存在低频词缺陷问题、特征子集选取过程没有考虑特征项在类别内部分布均匀度、以及倾向于选择与类别呈负相关的特征项这三处缺陷引入频度因子、类内分布均匀因子和负相关修正因子进行改进,将提出改进的卡方统计特征选择Imp＿CHI应用于罪名预测。3.在相似案例文书推荐研究中,传统的TF-IDF模型没有考虑到语义信息,并且常见的Doc2vec模型在案例文本表示中通常会忽视个体单词对整篇文档的影响。针对上述问题,本文研究引入了一种兼顾词频以及语义关联度的文本表示方法Sif-Word2vec用于相似案例文书推荐。4.最后对本文提出辅助审理方法进行实现,并分别对改进卡方统计特征选择方法Imp＿CHI和加权模型Sif-Word2vec进行实验验证。实验结果表明,基于本文提出的改进卡方统计Imp＿CHI的罪名预测最佳结果准确率P为95.25%、召回率R为95.20%、F1值为95.22%,均优于CHI、IG两种方法;在案例文本的相似性计算与推荐中,采用Sif-Word2vec模型的评估结果Precision@5为87%和DCG@5为7.4432,均高于采用TF-IDF、Doc2vec模型的评估值。根据实验结论可得,本文的改进方法Imp＿CHI有着更好的特征选择效果,提高了罪名预测精度;在相似案例文书推荐中,本文引入的加权模型Sif-Word2vec兼顾个体词频和语义信息在文本表示方面效果更好,提升了推荐性能;因此本文提出通过罪名预测给出判决建议和以相似案例文书推荐提供审核参考的辅助审理方法在实践方面具有可行性。