随着人工智能的发展,司法智能化已经步入进程。案件数量的不断增长,使得专业律师也很难涉猎所有的法律条款,并且从海量的法律条款中找到恰当的支持本案件的法律条款耗时耗力。因此如何借助人工智能推进司法信息化,提高办案人员工作效率保障人民群众司法需求是要亟待解决的问题。本文在深度学习和文本分类等前期研究工作的基础上,对法条推荐问题进行了研究,主要分为四个步骤。第一,构建法律专有语料库,对数据进行预处理并使用Jieba中文分词,再利用TF-IDF选取出关键词放入词典。第二,使用Word2vec对提取出的法律文档进行词向量的训练,形成词向量模型。第三,使用单个深度学习模型进行多标签分类任务,分别是深度卷积神经网络（CNN）和注意力模型（ATTENTION）。第四,针对单一模型预测的不足,本文采用了模型融合的方法进行改进,融入注意力机制的卷积神经网络融合模型（ATT-CNN）,并通过实验证明融合模型的确能达到较好的法律推荐效果。卷积神经网络模型在提取文本特征有着较好的表现,注意力模型是最近在自然语言处理领域中迅速发展的一个神经网络,而且改进了递归神经网络中会随着长度的增加性能下降的问题,基于这样的背景,本文结合案件描述与适用法律条文之间的关系使用了CNN和ATTENTION模型。CNN模型准确率达到97.6%,微平均37%,宏平均21.4%,CNN准确率虽然很高,但对于极度偏斜的数据只看分类准确率是不够的,而且本文为多分类任务,可以看出宏平均、微平均显示效果不佳。ATTENTION模型准确率达到89.7%,微平均69.2%,宏平均53.6%,注意力模型的微平均和宏平均有了明显的提高,但总体说来这两个单一模型效果并不是特别优良,于是本文提出了对单一模型进行融合。卷积神经网络在提取法律文本数据特征时能力较弱,不能反映上下文与关键词之间的关系。ATTENTION机制在学习长距离有依赖关系的序列信息时有较好效果。使用ATTENTION机制对案件描述进行语义关系的提取,对卷积神经网络进行融合得到新的网络模型ATT-CNN,该模型准确率达到95.6%,微平均80.9%,宏平均77.4%。对比分析显示融合模型预测效果有了明显提升,在一定程度上能够作为辅助法条推荐的方法。通过以上的研究工作,本文为相关法条推荐提出了切实可行的研究方法和理论依据。