随着我国经济不断发展和法律的不断完善,人们对社会公平正义的诉求越来越高,司法公正已成为时下整个社会的强烈需求。而现在由于司法工作者对犯罪情节的理解、认知的不同,从业经验的不同,也由于不同地区的文化、人文的影响,使得我国法官对量刑的标准具有相对主观性,导致相似的犯罪情节可能产生较大差异的判决结果,这被认为是一种合法的“不公平”。然而,量刑偏差会影响司法机关的公信力,在一定程度上会降低人们对司法公正的信任度。为了进一步提高司法机关的公正性,推动审判判决结果朝着“同案同判”的方向发展。本文针对刑事案例,以提高判决刑期差值距离分值为研究目标,将刑事判决书经过数据清洗,分词等预处理,再利用word2vec对词进行向量化表示之后,通过深度学习模型提取特征并对刑期进行分类。本文主要的研究工作有:(1)分别使用了基于word2vec的CNN(Convolutional Neural Networks)模型、双向LSTM(Long Short-Term Memory)模型对案例文本进行刑期量刑的分类。由于CNN的特点是提取数据的局部相关特征,而LSTM在处理序列问题时能够更好的利用上下文信息,与CNN特点形成互补,并根据判决书的长文本以及信息稀疏的特点,利用了Attention机制可以更好的找出影响力较大的关键词的优势,首次将CNN-LSTM与Attention机制的混合模型应用到刑期预测中。通过实验证明本文利用CNN-LSTM-Attention混合模型提高了刑期分类准确率以及差值距离分值。(2)针对刑事案例判决书的长文本的特征,为了保留文本的整体信息,本文结合doc2vec的文本向量特征对混合模型进行优化。由于刑事判决书的刑期类别分布极度不均匀,根据刑期类别占比不同采用加权的损失函数对模型进行了优化。经过实验结果的对比分析证明了doc2vec的可以充分利用上下文背景信息的特点提高了刑期分类的差值距离分值,以及加权的损失函数优化对刑期分类应用的有效性。