随着社会经济的发展和法治社会的建设,人民群众对利用法律维护自身权益的意识越来越强,大量的诉讼案件使得法院负担过重,“案多人少”的问题日益严峻,高素质法官所需要的长培养周期以及法官群体内部专业素养的差异性使得一味增加审判资源、增加法官人数的方案不能及时有效地解决这一矛盾。在司法信息化建设已经初见成效的当下,借助于司法大数据和机器学习方法,寻求一种减轻法官工作负担,加快其工作效率的自动化辅助判决手段是一种解决当前问题的有效手段。当前针对司法自动化辅助判决的研究主要集中在案件分类和案件相似度计算以及类案推荐技术上,而对案件的判决预测尤其是刑期预判技术研究较少。传统的刑期预判依赖于包含罪名、法条等数据的结构化数据,且该结构化数据通常需要人工给出,少数直接基于案件描述的刑期预判技术也受困于较低的准确率。本文主要贡献与创新在于:1)在Bi LSTM-CRF模型的基础上,提出了基于注意力机制的联合CNN模型,解决了原有模型对于文本整体特征抽取能力不足的问题,提高了案件要素的抽取精度;2)设计了基于案件要素的深度门限神经网络模型,通过增加案件要素作为辅助信息,解决了其它模型对于文本内部重要信息使用不充分的问题,提高了刑期预判精度。具体工作如下:1.司法文书分析与案件要素标注数据集的开发。完成对原生司法文书数据的研究、筛选和预处理工作。并在相关专业人士的指导下,设计合适的标注规范,对数据进行标注。根据标注完成的数据内部统计特征,抽样形成本文研究所需的训练数据集和测试数据集。2.基于深度学习的案件要素抽取方法研究。本文构建了结合CNN、RNN以及Attention机制的深度学习模型用于司法文书中案件要素的抽取,解决了普通RNN模型对案件要素和司法文书整体特征结合不充分的问题,提高了在司法文书要素抽取数据集上的抽取效果,本文使用BERT预训练模型对序列进行编码,然后将特征向量输入联合CNN和Bi LSTM网络中进行特征抽取,再利用CRF进行案件要素识别,该模型充分利用了CNN对局部和整体的特征抽取能力以及RNN对序列信息的前后文特征抽取能力。3.基于案件要素的刑期预判。本文设计了一种深度门限网络模型,该模型通过门结构,利用案件要素嵌入向量对Bi LSTM网络模型的隐藏语义特征进行约束,进而送入DPCNN中获取更高层次特征,通过一层全连接层后输出最终量刑预测结果。通过对比实验,本文验证了该模型的优越性,并从侧面反应出信息量对于文本信息处理的关键性。更进一步的,本文通过整理各省市地区的刑事案件数据集,得到了不同地区量刑预测的结果,并对结果进行了分析和阐述。