面对海量的裁判文书,如何将裁判文书中丰富的、分散的和碎片化的司法知识相互连接起来,给用户提供准确有效的服务,以缓解人民日益增长的需求与有限的优质司法资源之间的矛盾,具有重大意义和应用价值。知识图谱的优势在于其兼具丰富的语义处理能力以及强大的开放组织能力,能将信息中的知识要点、内在联系进行分析和描绘,并运用图形绘制和展示整个复杂的知识领域。因此,本文将司法领域的裁判文书作为数据,研究了基于深度学习的裁判文书知识图谱构建技术,不仅能够从海量的司法案件信息中,协助用户高效整理挖掘出其所需的关键信息,还能够提供所需的相关的拓展信息查询功能,辅助用户做出正确合理的决策。在裁判文书信息抽取阶段,在缺乏公开的司法领域的标注语料的背景下,首要任务即为定义好裁判文书中实体的实体特征、位置特征以及词性特征等。然后在这个基础上,本文研发了Bi＿LSTM-CRF模型对裁判文书进行命名实体识别,首先,裁判文书中的句子通过BIO标注法标注后转化为字符向量作为输入,接着利用Bi＿LSTM神经网络处理向量得到句子特征,最后,CRF用于标记和提取实体,完成命名实体识别;同时,本文还研发了基于依存句法分析神经网络DPNN模型对裁判文书进行实体关系抽取,首要任务即为对裁判文书进行文本预处理,然后利用依存句法分析模块分析句子的各个成分并得到其相互间的依存关系,最后通过抽取三元组模块得到多组结构化的有效的实体关系三元组。实验结果证明,本文研发的Bi＿LSTM-CRF模型和DPNN模型皆具备有效性与可行性。在绘制裁判文书知识图谱阶段,本文将上一阶段得到的多组实体关系三元组全部导入Neo4j图数据库,并通过Neo4j图数据库实现裁判文书知识图谱可视化展示,在此基础上还实现了拓展查询功能,完成裁判文书知识图谱构建任务。经过实验证明,本文提出的裁判文书知识图谱的构建方法,能够从司法领域非结构化的裁判文书中有效获取结构化的信息,得到实体及实体间的关系,实现裁判文书知识图谱的完整构建,为后续的司法信息搜索引擎、智能司法问答、智慧司法辅助决策等方面的应用奠定了重要基础。