随着信息化的普及,司法领域提出了智慧司法的概念。智慧司法将人工智能,大数据等技术应用于司法工作之中,对司法过程与结果实行统一管理。自然语言处理是智慧司法的重要研究领域,其中包括机器翻译,文本分类,语言生成技术等。本文对智慧司法中的文本分类任务进行了研究,在舆情文本和裁判文书分类两个数据集上进行了大量实验。这两个数据集可以代表大多数司法领域的文本分类任务,我们希望通过对这两个数据集的分析与实验,对司法文本分类进行全面详尽的研究。首先,我们研究并总结了常用的文本分类方法,为司法文本分类任务的研究奠定基础。其中,基于图卷积网络的文本算法在两个公开的数据集上都表现最好。我们对图卷积网络的结构以及过平滑问题进行了深入研究。针对图卷积网络中边的量纲不一致问题,提出了Hetero GCN,在Ohsumed数据集上取得了最好的结果。司法舆情是民众对于司法看法的直接反映。我们构建了首个司法舆情短文本数据集,使用多个基于深度学习的文本分类方法进行实验,报告了实验结果。针对Text GCN无法用于流式数据的缺陷进行了分析,基于分析结果提出了可用于流式数据的图卷积网络Stream GCN。实验证明了Stream GCN在司法舆情文本分类数据集上取得了最好的结果,我们基于此结果开发了司法舆情文本分类与分析系统。除了司法舆情外,裁判文书也是智慧司法的重点研究对象。图卷积网络中图的大小随样本的增大而指数增加,裁判文书中样本较多,文本平均长度较长,难以使用图卷积网络进行分类。预训练模型参数多,且能借助预训练得到的知识用于下游任务,我们在裁判文书数据集上使用多种预训练模型进行实验,实验结果超越多种基线模型。除此之外,量刑预测中的类别存在有序性,传统的分类方法无法很好地区分不同刑期的差异,我们借鉴多种用于图片年龄识别的序数回归方法,进一步提升了量刑预测的准确性。