司法领域包含大量法律条文、裁判文书等文本信息,将自然语言处理技术应用于司法领域,赋能智慧司法,是人工智能时代司法领域发展的重要方向。面向司法裁判文书的犯罪金额提取任务,旨在通过自然语言处理技术,自动计算出裁判文书中涉案金额,这不仅能够助力司法文书信息抽取,还可以辅助司法判决预测。论文对面向司法裁判文书的犯罪金额智能提取技术进行了研究。通过对大量涉及犯罪金额的司法裁判文书数据集的分析,总结出金额操作符分类规律与最终金额的计算规则,提出了基于规则的犯罪金额提取方法。论文基于规则标注与人工校对的方法,构建了金额分类数据集。在此基础上,论文使用机器学习的方法对操作符进行预测,研究了基于预训练语言模型的犯罪金额提取方法。为了充分利用大规模未进行操作符标注数据中蕴含的领域知识,论文创造性地引入任务增强技术,研究了结合任务增强的犯罪金额提取方法。该方法通过设计一个辅助任务文本生成器,获取大量领域内辅助任务数据,并在进行辅助任务的同时对BERT模型进行微调,最终获取到针对课题任务的领域内BERT模型。论文进一步对损失函数进行优化,将对最终金额预测的损失加入到损失函数中,进行反向传播,使得模型能够在学习金额操作符标签特征的过程中也可以与最终犯罪金额的特征相结合,从而缓解在模型预测过程中金额操作符标签与最终犯罪金额的准确率变化不一致的问题。论文使用“中国法研杯司法人工智能挑战赛（LAIC2021）”中发布的“犯罪金额要素提取”数据集进行对比实验,实验结果证明了课题研究工作的有效性。论文设计并实现了一个司法裁判文书犯罪金额提取系统,演示了犯罪金额提取的过程和结果。具体来说,论文的研究工作包含以下几个方面。（1）提出基于规则的犯罪金额提取方法。论文对大量司法裁判文书的内容及任务进行了分析,给出了任务的形式化定义和基于规则的解决方案。该方案将犯罪金额智能提取任务分解成犯罪金额抽取与操作符分类任务,即首先从文本中识别出所有金额,并为每个金额分配一个操作符,然后通过自定义的推理规则,完成最终金额的计算。依据裁判文书内中文金额的特点,本文使用启发式规则的方法进行金额识别,并达到了99.6%的准确率。该方法采用基于规则的操作符关键词匹配方法,实现简单有效的操作符分类。本文基于规则标注和人工校对的方法,构建了金额分类数据集。（2）针对基于规则的金额操作符分类方法泛化能力弱的问题,提出了基于预训练语言模型的犯罪金额提取方法。该方法使用预训练语言模型为裁判文书中的文本生成动态语义表示向量,并采用softmax分类器判断每个已知金额的操作符,将当前成熟的文本分类技术应用于金额操作符分类。（3）为了更充分地利用未标注数据集,论文提出了结合任务增强的犯罪金额提取方法。以自然语言推理为辅助任务的任务增强技术,将大规模司法领域知识整合到通用语料中训练,获取专用于司法领域的预训练语言模型,使其能够感知领域内词汇语义并具备自然语言推理能力。该方法能够充分利用大规模的领域数据,缓解低资源任务带来的问题,提高了犯罪金额提取的准确率。（4）为了缓解上述模型在训练过程中金额操作符分类准确率与犯罪金额预测准确率变化趋势不一致的问题,论文研究了结合犯罪金额与操作符标签的金额提取方法。在上述模型采用的操作符分类损失函数的基础上,加权考虑了犯罪金额预测损失函数,使模型在训练过程中不仅可以学习到每一个金额的特征,也可以考虑到最终金额的损失,进一步提升了犯罪金额提取的准确率。（5）基于论文所提出的相关技术,设计并实现了司法裁判文书犯罪金额提取系统。该系统演示了司法裁判文书犯罪金额提取任务的过程,通过实例,展示了所提取出金额的操作符标注结果,证明了模型的可解释性,在实践中检验了论文提出方法的实用性。