法律智能目的是给机器赋予阅读理解法律文本与定量分析案例的能力,完成罪名预测、法律条款推荐和刑期预测等具有实际应用需求的任务。法律智能有望辅助法官、律师等人士更加高效地进行法律审判,更好的帮助人民群众理解相关法律条款在案件中的应用,提高人民群众对法律的认识,增强人民群众使用法律维护自己的合法权益的意识。法律智能在一定程度上推动了语言理解和人工智能领域技术在法律领域的应用,促进人工智能事业在法律领域中的发展。基于以上人工智能领域技术在法律领域具有实际的应用需求,本文选取法律智能中的罪名预测和法条推荐任务,作为人工智能技术在法律智能领域中的应用探索,并提出了两种网络模型结构分别解决罪名预测和法条推荐问题。主要研究工作如下:1.罪名预测任务,罪名预测是根据刑事法律文书中的案情描述和事实部分,预测被告人被判的罪名。随着人民群众的维权意识逐渐提高,司法案也逐渐增多,但是当前从事司法工作的相关人员数量是有限的,这样的情况会造成司法办案效率比较低,而人工智能具有快速处理大量文本信息的能力,因此,利用人工智能领域中的深度学习技术来探索解决罪名预测任务的方法,提出基于深度学习的端到端记忆网络(ETE-ME)模型来处理案件描述和事实部分信息,解决罪名预测任务。在罪名预测任务上提出使用的端到端记忆网络,该模型方法拥有较大的外部存储记忆结构,能让法律条文保存在该记忆结构中增强案件描述输入时的语义连续表示,该结构和记忆网络结构相同,记忆网络结构采用端到端的方式进行训练,同时,在训练期间和其他模型相比较,提出端到端记忆网络模型需要更少的监督信息优势。通过实验得出结果与相关问题提出的文本分类模型结果对比分析,得出提出的端到端记忆网络模实验结果最好,利用多分类评价指标F1评测值,F1值达到了85.1%效果,而之前最佳模型只达到83.4%。2.法条推荐任务,法条推荐是根据刑事法律文书中的案情描述和事实部分,预测本案涉及的相关法条。当前司法过程中,主要是利用相关司法人员人工记忆法律法规条文,然后对案件事实进行分析得出适用的相关法律法条。由于法律法规法条数量很大,这样可能会导致司法工作人员在司法过程中出现适用法条不准确的情况,而人工智能中深度学习技术有着强大的学习能力,运用人工智能技术从而可以帮助相关司法人员准确的进行适用法条推荐工作。结合案件描述和事实部分与适用法律条文之间关系,提出了融合CNN-GRU网络模型结构解决法条推荐任务,由于文本分类领域中的卷积神经网络模型,在提取文本特征来表示案件描述和事实部分有着较好的表现,但是案件描述和事实部分文本上下文之间存在着丰富的语义关系,而卷积神经网络在提取案件描述文本信息特征时,对案件文本信息前后之间的关系获取特征表示能力较弱,而神经网络模型GRU网络模型在学习长距离有依赖关系的序列信息有较好效果,因此本文提出了GRU网络模型对案件描述和事实部分进行语义关系的提取,GRU网络模型和卷积神经网络融合一种新的网络结构模型CNN-GRU,通过实验融合CNN-GRU网络模型与其他相关的模型结果对比分析,得出提出的融合CNN-GRU网络结构模型综合取得了最好结果。准确率达到98.2%,微平均(F-micro)83.2%,宏平均(F-macro)72.6%,与其它解决法条推荐任务模型使用相同的评价指标相比,融合CNN-GRU网络模型有明显的提高。本文主要研究内容是对法律智能领域中的罪名预测和法条推荐任务问题进行探索研究,提出了端到端记忆网络模型解决罪名预测任务和融合CNN-GRU网络模型解决法条推荐任务,通过实验对比分析了其它处理相同任务问题的模型,提出的两种模型都取得了不错的效果,在一定程度上有望作为辅助量刑的方法。