为了推进我国法治社会的建设,满足公民日益增长的法律诉求,司法行业正在不遗余力地进行深化改革。由于以律师、法官等代表的法律机构以传统人工的方式处理海量的法律文本已不再现实、“同案不同判”等涉及到司法自由裁量权的现象也屡见不鲜,因此如何借助大数据技术优势,提高相关机构工作效率,维护行政处罚决策的公平性就显得尤为重要。本文旨在通过大数据技术处理海量的法律文本,借助时下热门的深度学习方法,提高行政处罚决策的准确性。针对本研究中原始数据来源种类多、数据类型不明、裁量权推荐任务算法模型不定等情况,故在正式实验之前开展了预实验,确定了数据的具体类型以及具体的研究模型。并在随后的正式实验中,通过jieba分词、词频统计等方法,对收集到海量法律文书进行处理,使用TF-IDF构建专业的语料库,完成了数据的预处理任务。与此同时,为了证明案由分类任务的合理性,本文研究开创性的进行了案由论证任务,利用LDA模型为案由分类任务提供理论依据,在完成案由论证任务之后,使用Word2vec模型对部分文本进行文本向量化训练,并将向量化矩阵嵌入到卷积神经网络中去,完成本文研究的法律文本案由分类和自由裁量预测任务。虽然借助深度学习处理中文文本的案例并不少见,但是处理类型复杂、冗余信息繁多的司法行政文书的研究案例却非常少,所以为了保证研究的严谨性,本文作者从北大法宝、无讼网、中华裁判文书网等法律网站中选取原始数据,并在专业法律人士的建议下,对原始数据进行了重新组合（裁决书、判决书、裁决书+判决书等多种文本类型组合,以及有这些文本组合类型衍生出的信息组合）。通过在预实验中对上述这些类型文本的训练,结合多个不同阶段的效果,本文研究给出了最终的结论:由于判-决书保留的特征数最多,所以模型对其处理的效果最好。该结论从实验角度,证明了研究文本特征数越充分,研究模型的准确率也越高,对之后的相关研究具有借鉴意义。在本文正式实验中,为了给与案由分类任务直接的理论和实践支持,本文作者特意进行了案由的论证任务。在具体操作中,使用了LDA模型对法律文书进行无监督学习,取得了非常好的效果,证明了将研究收集的法律文书分为14种案由是合理的。区别于传统的法律专家评价机制,该结论在实践层面上,论证了相关法律网站将法律文书分为特定案由的合理性,对之后相关法律工作者进行案由分类提供了理论参考。为了选择最适合本研究的算法模型,本文研究借助多种模型评价指标对卷积神经网络等多种模型进行评估,并结合测试数据集的准确率情况,得出了最适合本文研究的模型,即Word2vec结合卷积神经网络。该部分成果可直接对法律工作者开展法律文本分类工作提供便利,也对相关领域选取何种模型进行分类任务具有很强的参考价值。在法律文书的自由裁量预测任务中,通过咨询法律专业人士以及相关文献,将原始数据的特定内容进行处理,得到自由裁量结果,并将其转为输出,构建了一个基于法律文本进行机器裁决的卷积神经网络模型,通过对模型的多次调参与训练,提高了模型进行法律文本裁量的准确性。该结果在一定程度上,填补了行政处罚领域有关自由裁量权的研究空缺,对后续的相关研究具有借鉴意义。