由于司法流程公开与共享的不断推进,我国的司法大数据公开化已趋于成熟,蕴含于法律文书中的丰富法律信息成为了值得深入研究的珍贵资源。但由于法律文书以自然语言形式进行记录,机器难以直接对文档内容进行理解和分析。因此,通过文本挖掘技术对非结构化的司法领域文本进行信息提取和结构化存储,对司法领域信息化发展以及司法效率的进一步提高都具有积极意义和深远影响。文本挖掘中的实体识别和关系抽取技术对于法律文书中关键信息的提取至关重要。文本挖掘技术旨在从文本中提取出有效信息并形成结构化的三元组,从而对文本内容进行更好的理解和应用。基于此,本文首先提出了基于刑事案例的多粒度信息抽取方法,针对法律文书的结构化信息抽取,定义了案例信息存储结构,并构造语法规则集提取各项信息。针对案情描述中的细粒度实体关系信息,通过训练基于神经网络的案情三元组抽取模型进行提取。考虑到不构成关系的实体信息带来的影响,通过改进关系抽取模块的训练阶段,实现模型性能上的进一步提高。为使实体识别和关系抽取阶段的模型学习到的信息可以进行更好的交互,并且应用中文司法领域具有的领域特性和领域知识,本文提出了融入司法特征表示的实体关系联合抽取方法,该方法针对于特定案件建立法律特征词典,通过自注意力机制将词典特征融入模型编码器部分,采用编码器-解码器模型得到对应三元组的向量表示,继而进行实体和关系的提取。实验结果表明,该方法对实体关系信息交互的学习及引入的融合司法特征编码器可以有效地提高模型性能。针对处理多罪名案件文书的实际业务需求,本文探索了多任务学习在多罪名实体关系抽取任务上的应用。通过引入罪名分类任务加强案情实体关系抽取模型对文本的建模能力。实验结果证明,与单任务模型相比,引入罪名分类任务进行多任务学习F1值提高了1.6%,同时,本文提出的多任务方法可以在不同罪名的数据集上都获得提升,验证了该方法的有效性。