近年来,面向智慧司法服务的法律判决预测已成为自然语言处理领域的研究热点。判决要素抽取是法律判决预测研究的重要子任务之一,其旨在从法律文书的事实描述中自动识别出不同的判决特征,现有研究主要是从法律文书的事实描述部分抽取出判决要素词汇或句子。法律判决要素抽取是判决预测研究的重要依据,为判决预测的结果提供可解释性。本文基于2019中国“法研杯”司法人工智能挑战赛“要素识别”任务,重点研究面向法律文书事实描述的句子级判决要素抽取方法。目前针对判决要素抽取任务的研究大多采用文本分类的思想,已有方法在处理长度差异较大的句子时往往会对短句加入较多的无关填充向量,对模型结果造成一定的影响,基于此,本文提出了基于Mask机制的判决要素抽取方法。同时,大量真实法律案件的分析结果表明,判决要素通常与案件涉及的相关法条有紧密的联系,而现有方法大多都忽略了法条信息,因此,本文进一步提出了融入法条信息的判决要素抽取方法。最后,本文将判决要素抽取方法融入到判决预测任务中,提出了基于判决要素的判决预测方法。论文主要工作包括:第一,提出了基于Mask机制的判决要素抽取方法。首先将判决要素抽取任务形式化为对事实描述句的多标签分类模型,提出融合BERT和CNN的判决要素抽取方法,同时,为了弱化不同句子的长度差异对模型效果的负面影响,进一步在BERT-CNN模型上融入基于Mask方法的多头自注意力机制。该方法在2019中国“法研杯”司法人工智能挑战赛要素识别任务的数据集上得到了有效验证。第二,提出了融入法条信息的判决要素抽取方法。依据法官的判案过程,结合《中华人民共和国婚姻法》法条,首先提出了融入法条语义信息的注意力机制,然后通过法条注意力机制将法条的语义信息融入到事实描述句中,最后利用多标签分类模型识别事实描述中的判决要素。实验结果表明,本文提出的方法在离婚类要素抽取任务上取得了显著的提升。第三,提出了基于判决要素的判决预测方法。首先使用判决要素抽取方法提取出高质量的判决要素句,然后借鉴法官的判案思路,将整个法律判决预测任务转换为法条预测、罪名预测和刑期预测3项子任务,并分别构建了基于判决要素的预测模型。实验结果表明,利用判决要素句进行的3项判决预测任务的F1值均有所提升,进一步验证了法律判决要素抽取的有效性。