随着信息科技的快速发展,人工智能已经走进人们生活的各个角落,司法智能化的研究也越来越多,人工智能的发展依赖于庞大的数量库,司法领域中庞大数量的判决文书满足了智能化司法的大数据基础。司法领域的智能化是未来发展的必然趋势,能缩短判案流程,节省人力物力,使司法不再是一个复杂的、让人陌生的领域。案件的自动判决,可以为相关人员节省大量资源,是司法未来发展的新方向,对司法发展起着重要的意义。本文利用深度学习文本分类技术实现罪名预测与法条推荐任务。理论部分阐述了Bi GRU模型与注意力机制的结构原理,并给出了本文模型的详细数学定义。实验部分分为数据预处理、实验模型设计、指标评价以及结果分析四个部分。通过对GRU和Attention机制的研究,提出基于BERT词嵌入Bi GRU+Attention模型。其中BERT词向量相比word2vec词向量更加依赖上下文信息,使得事实描述语义更加准确。GRU相对LSTM来说减少了一个门函数,使得其在训练中耗时更少,相对RNN也不会出现梯度消失的问题。Bi GRU为双向GRU,能更全面表示上下文信息。Attention机制的加入使得模型不仅考虑上下文信息,还会选择信息,突出文本中的有效信息,忽略其无用信息。在CAIL2018-small数据集上设计实验并与基线方法对比分析,模型综合94)9))值在罪名预测任务上达到了85.05%;在法条推荐任务上达到了80.14%。结果表明该方法可以有效地提升犯罪事实编码的语义准确性。为了验证本文提出模型得有效性,设计了11个基线模型与本文模型进行对比分析。最后设计可视化实验的直观展示各语义单元的注意力值,提升了模型的可解释性。