随着大数据、人工智能技术的快速发展,国家全面推进以知识为中心的司法信息化建设,确保面向司法人员、社会公众提供全新的智能化、自主化智慧法院服务。在现有的智能化服务中,法律智能问答涵盖了法律咨询、知识图谱问答、机器阅读理解问答等功能,服务对象涉及广大基层群众和司法人员,具有普适意义。但由于法律智能问答技术研究成本大、专业性较强,现有的智能问答系统往往只具有单一的问答功能,难以提供全面、高质量的问答服务。因此,研发一个完备的法律智能问答系统具有重要的研究与应用价值。法律智能问答存在专业性强和相关研究不足的问题。法院现有咨询渠道人力不足,难以应对大量简单重复咨询任务。如果利用互联网进行法律咨询,普通群众通常得不到专业性的回复。引入法律专业知识进行问答库构建,能够进一步增强法律咨询回复的专业性。同时,法院现有检索系统多采用关键词模型,无法对用户查询进行语义解析,难以返回精准的细粒度答案,不利于同案同判,降低审判效率。知识图谱问答和机器阅读理解问答利用深度学习技术,实现了问句语义理解,可针对结构化和非结构数据进行相应问答,从而服务于司法实践。但在司法领域,智能问答相关研究甚少。因此,本文结合深度学习方法,面向刑事案件中高发类的盗窃案件,开展FAQ问答、知识图谱问答、机器阅读理解三种智能问答技术的研究与应用。论文主要工作如下:（1）实现面向盗窃案件的FAQ问答模型:根据盗窃案件涉及专业知识,构建了盗窃案件常见问题问答库,并使用BM25算法和BERT-whitening模型实现问句检索。为了进一步提升匹配精度,提出了基于BERT-FT的问句交互匹配模型。（2）实现面向盗窃案件的知识图谱问答:根据盗窃案件相关法条、司法要素等结构化信息,搭建了基于Neo4j的案件知识图谱。构建了基于BERT-CRF的实体识别模型,通过领域词典将识别实体链接到知识图谱中。使用基于BERT的答案路径特征匹配模型对候选子图进行排序筛选。（3）实现面向盗窃案件的机器阅读理解问答:结合盗窃案件裁判文书特点,搭建了基于Elastic Search的裁判文书搜索引擎,并设计了基于Ro BERTa-WWM的机器阅读理解模型。为了进一步提升模型性能和应用效果,提出了基于Uni LM的不可回答问题数据增广方法、基于迁移学习的机器阅读理解模型优化方法以及基于对抗训练的模型鲁棒性优化方法。（4）设计并实现面向盗窃案件的智能问答系统:基于法院对智能问答系统的应用需求,将上述三种智能问答模型进行集成,并实现智能问答系统。系统包括盗窃案件法律咨询、知识图谱问答、机器阅读理解问答以及自动问答机器人等功能模块。