在当下社会矛盾日益增多的情况下,大量司法案件涌入法院,而司法资源本身的局限性,导致法官面临严重的工作压力。在全面推进人民法院信息化建设背景下,大量法律裁判文书信息公开化,“法律人工智能”成为研究焦点。通过对裁判文书的挖掘与分析,不仅能为法院提供更加智能的技术来提高办公效率,还能为公众提供智能的法律咨询服务,促进司法可得。法条推荐作为实现这些目标的技术之一,一方面能为法官推荐在审判时可能适用的法条,提高工作效率;另一方面还能帮助当事人跨越司法鸿沟,提前了解案件审判倾向和相关法条,并形成最佳诉讼策略。本文详细分析了法条推荐问题,并介绍了法律裁判文书的数据特点,包括种类繁多、有较多法律领域专用词以及半口语化等,所以仅仅从字符匹配层面难以实现真正智能化的服务。由于LSTM（Long Short-Term Memory）与Attention机制（Attention Mechanism）能较好挖掘文本语义并关注重要信息,所以本文主要以LSTM和Attention机制为基础,通过对裁判文书案件基本情况进行语义分析来完成法条推荐任务。首先,本文提出了针对裁判文书特点的预处理方法,包括法条标准化、案由标准化、分词、建立法律专用停用词以及去停用词。为了验证引入先验知识对于法条推荐的重要性,本文提出两种法条推荐方法,分别是基于动态LSTM的法条推荐方法以及基于 LDA-LSTM（Latent Dirichlet Allocation,Long Short-Term Memory）的法条推荐方法,具体如下:（一）基于动态LSTM的法条推荐方法:法官在判案时经常会参考案件基本情况的内容,其内容与引用的法条实际上有很大关联。该方法通过对输入的案件基本情况序列进行语义分析,挖掘案件基本情况与法条的内在联系。主要通过动态LSTM对变长的输入序列进行处理,利用深度学习方法获得案件基本情况的语义向量,并基于该语义向量进行多标签分类,完成法条推荐任务。（二）基于LDA-LSTM的法条推荐方法:通过模拟人的注意力,即法官在阅读文书时会额外关注与文书主题相关的词语,来对案件进行审判。通过引入案件基本情况的主题向量作为先验知识,利用Attention机制,在计算注意力向量时赋予与主题相关的词更大的权重,并基于计算出的注意力向量进行多标签分类,完成法条推荐任务。不同于词袋模型如TFIDF提取文本特征,上述两种方法都能挖掘出文本的序列信息,并且引入先验知识的LDA-LSTM模型还能赋予与主题相关的词更大的权重。在实验验证阶段,本文以六种民事案由的裁判文书为数据集,设计了一系列对比实验。其中对比了本文提出的两种法条推荐方法与其他方法,验证了引入先验知识的LDA-LSTM模型的有效性。最后对比了所有方法的优缺点,并对未来的研究工作进一步展望。