人工智能技术的迅速发展,使得其被应用到了各个领域。在这样的背景下,国务院推出了《新一代人工智能发展规划》,鼓励科研工作者对人工智能技术开展研究,并大力扶持人工智能技术在各行各业的落地应用,这其中就包括法律领域。人工智能技术与法学理论结合衍生出来的法律智能,给法学领域带来了深刻的影响,人工智能技术在案件分析、智慧法庭平台、证据收集等方面的应用大量涌现。将人工智能技术应用到法律文书的分析和阅读中,可以获取粗粒度的文书摘要信息和细粒度的阅读结果信息。但在已知的研究中,人工智能技术在法律文书的阅读和分析中的应用,特别是在法律文书的要素分析和辅助阅读,却很少被讨论。这主要是因为法律文书要素分析和文书辅助阅读存在如下挑战:（1）法律文书要素受文书规范约束:传统机器学习方法在对文本的摘要进行提取时,常常会给文书中与其他文书相异的部分,赋予较高权值,并将这部分文书片段作为摘要内容进行输出。但是,受到法律文书的规范限制,在法律文书的文本内容存在较高的信息同质,比如不同案件的可能存在相同的案由,这使得模型需要提取信息同质的内容,而使用传统的机器学习方法变得不再适用。（2）法律文书阅读的问题多样性:法学研究者在阅读裁判文书的过程中,所提出的问题类型可能是多样。可能会提出诸如“时间”、“涉案金额”等文书片段内容相关的问题,也可能提出“是否存在刑讯逼供”等文书中不存在答案但通过推理可得答案的问题,还可能提出一些根据原文无法给出答案的问题。问题的多样性使得法律文书阅读理解变得较为复杂。为了解决上述的问题,本文展开如下研究。（1）面向文书要素提取的文本蕴含模型。要解决的法律文书要素的同质性,获取文书中的粗粒度摘要信息,需要借助要素例句作为摘要句子的限制项,这可以转化为文本蕴含任务。基于已有的研究,本文构建了Bleem（Bert based Legal paper’s Element Extracting Model,基于Bert的法律文书要素提取模型）来实现文书的要素提取。该模型使用Bert层作为编码层,引入要素例句作为限制项,并使用注意力机制对齐要素语义和文书句子语义。之后,通过对比实验验证Bleem模型的效果,并通过注意力机制的可视化实验展示了注意力机制的有效性。（2）面向文书辅助阅读的机器阅读理解模型。为了解决文书辅助阅读中的问题多样性问题,并帮助法学研究者获取法律文书的细粒度阅读结果信息,本文构建了一种多任务学习架构的机器阅读理解模型——Legal Self Reader。它使用Bert模型作为编码层,并融合法律文书的先验特征。基于多任务学习,构建了三路输出的架构和三种不同的建模层,实现三种类型问题的同步处理。同时,本文通过四个实验来验证Legal Self Reader的效果。（3）面向法律文书的智能分析系统。在所设计的系统中,基于Bleem模型和Legal Self Reader模型,分别构建了文书的要素分析部分和辅助阅读部分。系统包含了文书爬取、阅读分析、分析工具三个部分,能够帮助法学研究者获得文书的粗粒度的案情摘要信息和细粒度的阅读理解信息。本文所提出的Bleem模型和Legal Self Reader模型,很好地解决了法律文书的要素提取和辅助阅读,并且Legal Self Reader在落地应用中也展示了较好的结果。本文的研究为法学智能中的法律文书阅读和分析提出了解决方案,促进了法学智能的进一步发展。