大数据时代,人工智能已上升为国家战略。海量法律文书的公开为人工智能在法律领域的应用落实提供了重要的发展条件。刑事案件判决预测旨在通过案件的事实描述预测合理的相关法条和罪名指控,成为当前“AI+法律”领域的研究热点。知识图谱提供了对世界的形式化表示,可以作为知识库提供机器更容易理解的数据形式,最大化地挖掘法律文本的内在价值。国内的许多学者构建并发布了高质量的中文知识图谱,但知识图谱在法律领域的应用仍处于起步阶段,没有开源的法律专业知识图谱支持进一步的研究。本文构建了一个面向刑法领域的专业知识图谱,并研究如何从法律知识图谱中学习知识,从而进一步改进机器学习文本分类算法和深度学习神经网络模型,以支持高效的刑事案件判决预测任务。1.本文以中国裁判文书网发布的刑事文书作为语料库,利用两个开源的中文通用知识图谱,CN-Probase和思知（OwnThink）,抽取了一个刑法领域专用知识图谱。该知识图谱包括超过87万个实体和150万个关系,使用图数据库Neo4j进行存储,并发布在 github（https://github.com/dquaner/LegalKG）上。2.针对知识图谱在机器学习文本分类算法上的应用问题,提出了一种基于法律知识图谱的文本相似度计算模型,通过将文本映射到知识图谱中的实体,学习了实体间的概念信息和语义信息;利用计算得到的文本相似度进一步改进了用于刑事判决预测的KNN和SVM算法。3.针对知识图谱在深度学习神经网络模型上的应用问题,提出了一种基于TransE改进的知识表示学习算法;将融合了多源信息的向量化表示作为输入层应用到卷积神经网络和循环神经网络模型中以完成刑事判决预测任务。实验表明,本文构建的刑法领域知识图谱是合理且有效的,以微平均F1值（Micro-F1-measure）和宏平均F1值（Macro-F1-measure）作为评价指标,基于该知识图谱改进的文本分类算法和神经网络模型在刑事案件判决预测任务上都取得了较好的效果。