由于司法领域体系庞大,案件内容繁杂,司法案件关联文档数目巨大。从海量司法文件中获取符合需求的信息难度极高。为此,本论文使用深度学习、知识图谱等技术,改良了基于内容的推荐模型。该模型可以根据用户在办案过程中提出的要求,推荐符合用户需求的案件。首先,本文提出基于字符级卷积神经网络的文本分类模型OCCNN,解决海量案件文档分类的问题。模型通过卷积神经网络进行特征提取,能够快速有效地对司法文本进行自动分类。实验结果证明,该模型分类的准确率高达99.67%,且训练用时只有使用循环神经网络模型进行分类用时的50%。其次,本文提出了一种基于词频与词向量的语义相似度计算模型TF-W2V,解决了案件的语义相似度计算问题。TF-W2V模型使用Word2Vec训练文本,得到词向量。同时通过TF-IDF算法获得词权重。经过一系列处理后获得文本的特征向量,然后通过余弦相似度获得最终相似度。实验结果证明,与作为基线方法的其他模型相比,该模型在准确率上最高提升了36%,最低提升了2%。使用DCG作为评价指标,最高提升了16.68,最低提升了4。该模型对比常规方法更能理解文本语义并得到更准确的文本语义相似度。然后,本文构建了司法案件知识图谱。论文使用LTP语言平台抽取判决书材料中能够用于构建知识图谱的知识三元组,并将其存储至Neo4j图数据库,构建了案件知识图谱。最后,本文集合上面提出的文本分类模型、语义相似度计算模型、司法领域知识图谱,改良了基于内容的推荐模型,使推荐模型其更加智能,能够深刻理解用户语义,推荐给用户需要的案件。最后本文使用flask框架实现了案件推荐模型,得到基于深度学习的案件推荐系统。