在司法体系中,律师是一个非常重要且不可缺少的职位。相应地,律师提出的辩护意见是保护被告人权利的工具,是案件争议点的体现。然而在目前的“智能司法”领域中,并没有任务考虑到辩护意见,相关研究还是一片空白。因此,我们提出了辩护意见可采纳性（Defense Opinion Adoption Prediction,DOAP）这个任务,即根据给定的案件事实,预测相对应的辩护意见是否会被法院采纳。这个任务最核心的问题就是判断案件事实中的内容是否支持辩护意见中的主张。然而,机器并不能直接地理解自然语言,需要我们将自然语言转换为机器可以理解的形式,并对案件事实和辩护意见的语义关系通过自然语言的机器可以理解的表示进行计算。更重要的是,辩护意见可采纳性预测是一个司法任务。在司法程序中,任何一项判决都要求给出判决的依据;没有依据的判决结果是不可靠的,且无法被采信。因此,DOAP任务要求模型对可采纳性预测的结果有一定的解释能力或提供预测依据。针对以上问题,我们首先采用词嵌入技术（Word Embedding）将案件事实和辩护意见中的词表示为机器可以理解的数学向量,并采用注意力机制来建模案件事实和辩护意见之间的关系。为了提高模型准确率及可解释性,我们通过强化学习的策略梯度算法从案件事实中筛选出与辩护意见相关的文本段,并依据筛选出来的相关文本段来预测辩护意见是否会被采纳,同时筛选出来的相关文本段也作为模型结论的一个解释。我们从中国裁判文书网上收集了大量的判决书,经过一系列的数据处理和手工检查,构建了辩护意见可采纳性预测数据集,提取了5万多条案件事实和辩护意见对。我们选择了双向注意流网络（Bi-Directional Attention Flow,Bi DAF）作为对比实验,并在我们构建的数据集上得到了与Bi DAF基本相同的准确度以及比Bi DAF高1.52%的F1值。我们进一步研究案件事实长度和辩护意见长度对模型的影响时发现我们的模型相比Bi DAF在处理较长的案件事实和辩护意见上,表现出了比较明显的优势。此外,我们研究了强化学习筛选出来的文本段,发现筛选出来的文本段确实与辩护意见有相关,在一定程度上可以作为模型预测结论的解释。