近些年来,“智慧法院”飞速发展。以人工智能和大数据技术为核心,辅助裁判文书卷宗归档、涉案法律条文推荐、案件罪名分析、判罚刑期预测,不仅有效提升司法审判流程的效率,也大幅提升审判质量,促进了司法审判流程的现代化和智能化。本文关注于法条推荐问题,通过分析挖掘案件事实描述中的语义信息,推荐与案情相符的法律条文。法条推荐极具研究价值,不仅可以帮助专业司法人员快速筛选出相关法条,提高工作效率,还可以为普通民众提供法律咨询服务,方便民众获取专业法律咨询,并节省咨询费用。现有法条推荐工作基于分类框架的范式,将案件描述拆分成字级别或词级别特征输入进特征编码器中,如循环神经网络（Recurrent Neural Net-work,RNN）、Transformer等。但是单一级别的特征无法表征文档结构信息,同时无法涵盖来自其他粒度的特有信息,从而丢失了多粒度语义的丰富性。除此之外,利用分词工具解析中文文本极易造成语句歧义问题,包括分词错误,以及不同分词结果造成的歧义。更重要的是,一些案件之间仅存在细微差异,如何区分这些易混淆案件是法条推荐的一大难点。为了解决上述问题,本文提出一种基于图卷积网络多粒度编码的法条推荐方法。针对现有方法单一粒度编码的不足,本文采用四层级编码结构,基于注意力机制充分表征字、词、句、篇粒度特征,挖掘文本中潜在的语义以及结构化信息。同时,多粒度编码结构也可以缓解文本较长带来的长期依赖问题。针对分词造成的语句歧义问题,本文利用图卷积网络,建模出所有可能的分词结果,并抽取全局词汇级信息,以消除语句歧义。为了区分易混淆案件,本文自动化选取具有分类能力的词语构建关键词词表,基于该词表抽取案件描述中的关键词并作为辅助特征,利用注意力机制融入多粒度编码器中。在实验分析阶段,本文在CAIL2018small公开数据集上和多个领域内领先的基线模型进行对比。实验结果表明,本文提出的模型在准确率、宏查准率、宏查全率、宏F1值四个指标上高于基线模型,同时本文进行消融实验验证了每个模块的有效性。最后,本文给出案例分析,证明本文模型可有效区分混淆案件。