为解决日益增长的案件数量与有限的司法资源之间的矛盾,以及避免不同法官之间判罚尺度不统一导致的判决偏差,本文面向智慧检务,以刑事案件为研究对象,对基于计算机辅助的刑事案件研判过程中的关键技术做出了研究,研究从刑事案件建模、辅助判决和督查这三个方面展开:(1)为将刑事案件从司法概念转化为计算机可接受的形式,本文对刑事案件的内容加以分析后建立了刑事案件模型,并从刑事案件中的盗窃案件入手,在刑事案件模型的基础上建立了更细致化的盗窃案件模型。根据盗窃案件模型,提出并实现了一种基于自然语言处理技术的案件文本预处理方法,该方法利用了命名实体识别与Word2Vec等技术,能有效地去除案件文本中的无关因素并提取有关因素,并将案件文本转换为词级别的分布式表示,为案情研判提供了可计算的输入形式。(2)计算机辅助判决方向尚处于发展阶段,为利用深度学习在文本分析任务上的优势,本文实现了一种基于深度学习的辅助判决技术,分别通过深度学习中的卷积神经网络、循环神经网络根据案件的语义信息对判决结果进行预测,和通过深度学习中的卷积神经网络、循环神经网络结合案件模型提取特征后通过回归模型进行判决结果预测。该技术中使用深度学习与案件模型相结合得出的预测结果的平均绝对误差要低于仅使用语义信息的平均绝对误差,为计算机辅助判决提供了新的思路。(3)计算机辅助案件督查是由实际需求而产生的一个新的方向。本文实现了一种以类案比对为核心思想的督查技术,分别通过由Doc2Vec生成的文档向量,和通过与案件模型对应的特征来寻找相似案件,且为两种方式分别定义了相似性度量方法,之后提出了案件偏差性度量方法。该技术中使用与案件模型对应的特征时的偏差案件召回率要高于使用文档向量时的召回率,且初步实现了督查的效果。