随着人工智能技术的发展以及司法数据的公开,司法领域的人工智能研究与应用受到了广泛关注。罪名预测作为法律判决预测中一个重要子任务,它是司法智能辅助系统的重要组成部分。罪名预测任务根据案情描述和事实预测被告人被判的罪名。罪名预测通常被看作司法领域的文本分类问题,已有方法大多采用深度神经网络构建罪名预测模型,在常见罪名的预测方面取得了很好的效果。然而,已有研究对罪名预测任务中的数据不平衡现象关注较少,导致低频罪名和易混淆罪名预测效果较差。本文面向裁判文书数据开展罪名预测方法研究,从度量学习文本分类和数据增强两个方面改进罪名预测方法。本文主要研究工作包括:（1）针对罪名预测任务中的单罪名情形,本文将均值原型网络引入司法领域的罪名预测这一特定任务中,提出了一种借助均值原型网络实现的罪名预测方法,该方法结合度量学习和Bert构建罪名预测模型,通过移动平均方式集成各罪名的分类原型向量。相比基线模型,该方法的罪名预测F1值提升了5.4%。（2）针对罪名预测存在的类别不平衡问题,本文提出了一种融入类别先验信息的Mixup数据增强策略,有效改进了低频罪名和易混淆罪名的预测性能。该方法首先利用Bi-LSTM和结构化自注意力机制获取案件描述与事实文本的向量表示,在此基础上,通过Mixup数据增强策略在文本向量表示空间中合成伪样本,并利用类别先验使合成样本的标签偏向低频罪名类别,以此来扩增低频罪名训练样本。实验结果表明,与现有方法相比,该方法在准确率、宏精确率、宏召回率和宏F1值上都获得了大幅提升,低频罪名预测的宏F1值提升了13.5%。（3）本文基于提出的预测模型构建了罪名预测原型系统。本文以提出的罪名预测模型为基础,结合Sanic Web开发框架和Vue.js前端框架,开发了基于B/S架构的罪名预测原型系统。