伴随着司法智慧化的广泛开展,人工智能技术可以辅助专业人士提高工作效率,提升群众法律意识。对于法律行业相关人员来说,各级法院在案件审判之后记录的裁判文书具有具有宝贵的研究意义。不论是群众在自身面对纠纷想要寻求专业帮助或是法官进行案件审判前进行参照时,过往类案都能起到参考辅助、有效解决量刑偏差的作用。因此从技术层面利用计算机自动查找出相似司法案件,减少人工成本和主观偏差具有很高的研究价值。为了保证类案推荐的准确性和效率,本文结合深度学习和文本分析技术,提出了一种类案推荐算法。主要思想是应用卷积神经网络进行案件类目的识别,对法律文书进行初步选择后,利用文本相似度算法在初选文本数据集中进行相似推荐。首先,构建行政司法专有文书语料库,对数据进行预处理,采用词云图词频统计和TF-IDF算法对裁判文书中的专有名词进行识别并构造自定义词典和停用词典,结合Jieba分词与停用词表进行清洗;其次,基于对裁判文书的特征分析进行模块切割,在后期进行模型训练时只需将含有重要信息的模块放入其中,减少计算复杂度,增强词向量信息。使用Word2vec把法律文档形成词向量模型,用于后期模型训练;再次,将案件类目视为多分类问题,构建多种深度学习和机器学习模型用以训练预测,通过分析不同模型在本文数据集上的表现效果,选取表现效果最优的模型作为基线模型;最后,在对案件类目识别的基础上利用空间向量模型对案件数据集进行相似度计算,输出最相似的推荐案例。结果显示:待判案件经过类目识别后,再与同类案件数据集计算相似度,可以减少案件信息的冗余,增强特征的突出。本文共使用六种不同模型进行类目的识别,其中识别效果最好的是CNN,准确率可达88%,LSTM识别效果可以达到80%,SVM可达77%。剩余三种机器学习模型（Logistic Regression、朴素贝叶斯和随机森林）表现均不如两种深度学习模型。因此本文选取CNN作为基线模型,构建CNN类目识别与向量空间模型计算文本相似度相结合的推荐算法,通过对比实验和具体推荐案例分析,证实该算法推荐结果的平均准确率可以达到77.8%。并且相比于传统文本相似度计算方法,该算法可以节约数十倍的查询时间。通过本文的研究,达到了充分利用文本信息,兼顾类案推荐准确度和速度的目的,具有重要的理论与应用价值。