司法工作者需要大量阅读法律文书,并且不断更新法律知识体系以确保对案件做出准确的判断。但是司法行业仍旧存在案多人少以及同案不同判等问题,导致司法判罚工作进展缓慢。为了提升司法判罚效率,减轻司法工作者大量阅读法律文书的负担,本文建立了司法判罚模型,将深度学习技术应用到司法领域,本文研究目标为辅助司法工作者完成司法判罚中罪名预测工作。本论文的主要工作如下:1、对司法判罚模型的数据进行处理。法律文书的文本数据来源于法研杯大赛,首先对给定数据集进行分析得出:数据集分布不均匀并且存在较多易混淆罪名。通过对小类别罪名过采样,调整数据集罪名分布,通过提取要素维度关键特征区分易混淆罪名。应用正则表达式技术提取法律文书中事实描述、被告人罪名、相关法条等关键内容并建立JSON（Java Script Object Notation）格式文档;应用结巴分词以及停用词表去停用词;应用Word2Vec（Word to Vector）算法将文本表示成向量形式。2、建立司法判罚预测模型以及优化模型。通过对多种文本分类模型对比分析得出:Text CNN（Text Convolutional Neural Networks）模型文本分类效果优异,因此建立基于Text CNN的司法判罚预测模型,评估后得出预测模型的准确率是77.16%、精确率是77%、召回率是77%、F1值是76%。在预测模型基础上加入GRU-Attention（Gated Recurrent Unit-Attention）网络建立优化模型,在优化模型输出层加入focal loss损失函数,通过损失函数调整罪名权重,在模型层面上解决罪名分布不均匀问题,通过实验对比得出:加入focal loss后模型性能相比于交叉熵loss提升了1.82%、0.45%、1.62%、1.62%,优化模型最终准确率为84.78%、精确率为87%、召回率为85%、F1值为85%。3、建立基于深度学习的司法判罚系统。系统以优化模型为核心,针对法律文书数据,设计并实现了罪名分类、罪名分类文书生成等核心功能模块。通过对系统功能测试,验证了系统可用性。该系统有望辅助司法工作者对司法文书进行罪名分类,减轻司法工作者大量阅读法律文书进行罪名分类的负担。