随着人们的法律意识日益提高,司法资源作为保障人们生产、生活的重要手段变得越来越重要。为了有效地避免司法资源浪费,2018年国家启动了一项针对“一人多案”的“跨地域跨层级的一人多案的关联预警与协同处置关键技术研究”的重点研发计划。所谓“一人多案”指多个案件存在一方或双方当事人相同、或案由和法律事实等关键要素相同等情况。因此,准确识别法律文书要素成为解决“一人多案”的一项关键技术。本论文以该重点研究计划为依托,围绕法律文书要素识别技术,分别从数据集构建、模型构建和优化以及相关实验验证三个方面展开深入研究,具体内容如下:1)数据集构建:构建一个由海量法律文书组成的法律文书要素识别的数据集,主要工作包括收集大量的法律文书数据并清洗、设计合适的标注规范、根据法律文书的特点规范数据长度、制作高效的标注程序。2)深度神经网络模型构建:本论文以Word2Vec预训练字向量,双向长短记忆神经网络和条件随机构成的基于字符级别的命名实体识别模型（Bi LSTM-CRF）为基准,并针对其中一些不足展开研究:（1）针对“一词多义”问题提出了一种基于Attention机制改进的BERT设计（Att BERT）方法,该方法首先使用了BERT根据语义变化动态地调整字向量从而解决“一词多义”的问题,然后在BERT的基础上利用注意力机制进一步获得更加丰富的字符特征信息来提高整体的命名实体识别效果;（2）针对法律文书结构化特征利用不足的问题,提出了基于局部位置信息改进设计（Position）方法,该方法通过窗口化的注意力机制有效利用法律文书的结构化特征,从而提高整体的命名实体识别效果;（3）针对复杂和较长实体识别能力不足的问题,提出了基于LSTMDecoder的改进设计（LSTMD）方法,该方法通过LSTM（Long Short-Term Memory）解码器以更好地捕捉实体的上下文依赖关系并和CRF相结合,从而提高对复杂和较长实体的识别能力;（4）针对长文本的“全文标注不一致”问题,提出了基于全局注意力机制的改进设计（Attention）方法,该方法通过注意力机制捕获全局信息以强化上下文之间的语义关系,从而解决“全文标注不一致”问题。3)完善的实验设计:针对上述方法分别设计对应的实验以获得最优的超参数,通过和基线模型实验结果对比以验证本文提出方法的有效性。将各个方法进行交叉实验,分析各个方法对基线模型的效果。实验结果表明,本文基线模型关键要素识别的精准率为96.02,召回率95.82,F1值为95.92,而本文提出的改进方法（Att BERT-Pos-Bi LSTM-LSTMD-Attention-CRF）相较于基线模型（Bi LSTM-CRF）,关键要素识别的精准率提高了2.3%,召回率提高了2.61%,F₁值提高了2.45%。