伴随着人工智能的蓬勃发展以及司法智慧化的广泛开展,我们希望可以实现通过机器阅读大量的案件事实,自动抽取判决该起案件所涉及的相关法律条文,实现法条智能推荐;同时,法条自动推荐可以帮助不熟悉复杂法律条文的非法律专业人士根据相关案件事实快速了解可能面临的处罚。基于法条自动推荐的广泛应用性,本文通过综合考虑中文法律案例文本描述和法条文本的内容,并结合法条推荐任务的特点,研究基于神经网络的刑事案件的法条推荐方法,本文的工作主要包括以下三个方面:(1)基于分类和法条共现关系的法条推荐算法研究。该方法是本文的基线模型,主要实现方法是将法条推荐任务看成是多标签分类问题。通过对大量刑事案件实例的分析,总结出刑事案件主要可以分成六种不同的案由,并且不同的法条之间存在着共现关系。该模型使用TF-IDF对文档向量建模,同时设计案由分类器和法条分类器,生成一个候选法条的集合;之后再通过对法条之间的关联规则挖掘出最可能引用的法条;(2)基于注意力机制的循环卷积神经网络的法条推荐算法研究。针对基线系统中未能考虑词向量的完整信息和缺乏对句法信息利用的不足,我们提出一个句子-文档级别的层次化神经网络模型获取文本的上下文信息和句法信息,通过联合训练多个二分类器,提高运算效率,实现法条推荐任务。(3)基于记忆网络的法条推荐算法的研究。由于法条在内容上存在依赖关系,因此提出一个新的融合记忆网络和双层注意力机制的法条推荐模型。该模型通过外部记忆单元分别捕获法条与案例描述之间的关联关系和法条与法条在内容上的依赖关系,获取更有效的基于案例和法条的联合表示,将其送入分类器实现法条推荐任务。在实验验证阶段,通过设置一系列对比实验,验证了本文提出的法条推荐算法的有效性,并阐述了未来可能的工作方向。