近年来,人工智能技术与司法领域的交叉融合,受到了学界和业界的广泛关注。司法人工智能的引入,有利于提升司法部门的工作效率,降低司法服务的应用门槛,促进司法公正公开透明。罪名自动预测是司法人工智能的核心任务之一,其旨在依据犯罪事实自动预测出犯罪主体触犯的罪名。本文面向司法领域,对罪名自动预测方法进行了研究,主要工作及成果如下:（1）针对不同案件情形下词语语义重要性存在差异的问题,提出了一种基于语义差异性的犯罪事实文本表示方法。该方法在编码阶段利用双向门控循环单元和自注意力机制,实现了词语的上下文信息融合以及语义重要性的自动计算赋值。实验表明,该方法从词语语义差异性的角度改进了犯罪事实的表示效果,并有效提升了罪名预测性能,在CAIL2018数据集上的F_union值达到了88.0%。（2）针对罪名预测中一个被告对应多个罪名的预测问题,提出了一种面向数罪并罚情形的罪名预测方法。该方法利用问题转化思想将数罪并罚预测转化为多标签文本分类问题,并使用二元关联策略将多标签罪名分解成多个独立的单标签罪名,通过Sigmoid分类器实现每个罪名的0/1二元分类。实验表明,该方法能有效地解决数罪并罚预测问题,在CAIL2018数据集上的实验发现其F_union值提升了4.2%。（3）针对罪名预测中外部法律知识的融合问题,提出了一种基于事实-法条关联注意力机制的罪名预测方法。法条、司法解释等法律知识是人类法官定罪量刑的关键依据,引入外部法律知识对于罪名预测具有重要意义。该方法针对性的引入法条知识并构建起犯罪事实与法条的层级注意力关联交互机制,在法条信息的约束指引下获得了更为准确的犯罪事实篇章表示。在Criminal数据集上的实验表明,相较于目前最优的对比方法,基于事实-法条关联注意力机制的罪名预测方法取得了显著的性能提升,可视化实验也验证了其较好的可解释性。本文面向司法领域,针对罪名预测任务进行了系统性研究,主要贡献包括:（1）改进了犯罪事实的编码机制,提升了整体语义表示的准确性。（2）通过转换策略使得模型具备数罪并罚预测能力,提升了罪名预测模型的通用性。（3）提出了一种基于事实-法条关联交互机制的外部知识的融入方法,提升了预测过程的可解释性。本文工作可以为后续罪名预测研究提供新的研究思路及技术支撑。