法官的判案是以事实为依据,法律为准绳,通过对案件发生过程的分析,对案件进行判决。因此,智能司法研判的研究对象也就是事实文本,即后文提到的司法文本。目前,司法文本的分析主要是关键词匹配和词嵌入模型,忽略了司法文本自身所存在的语义逻辑性和文本的结构特性。语义依存树可以将文本解析为树的形式,利用树的结构特性,将文本的语义与结构相结合,更符合司法判决的逻辑。将语义依存树的解析结果拆分,就得到语义依存三元组的序列集合。论文利用多通道卷积实现案件发展过程的语义逻辑分析,对司法判决预测进行了研究,论文的主要工作如下:（1）司法文本中的人名,地名是智能司法研判的基本元素。由于案件的多样化,不同案件中出现的人名与地名复杂且多样,常见的文本分析工具不能将各成分很好的拆分出来。因此论文采用命名实体识别技术,提出了基于词性注意力的命名实体模型:BLAC。该模型在BI-LSTM-CRF模型的基础上,添加了词性注意力层,将词性信息与语义信息相融合。论文分别使用BLAC模型与BI-LSTM-CRF模型在不同数据集上进行了实验。实验结果表明,使用了词性信息的BLAC模型在各指标上均优于BI-LSTM-CRF模型。（2）针对常见停用词方式会破坏文本结构的问题,论文从司法文本数据的特点出发,使用多实体融合与实体替换的方式,在不影响文本语义与结构的前提下,对词向量空间降维。主要方式是将受害人与犯罪人以外的人名归一化,使用指定的人名替代不同文本的对应的受害人与犯罪人的姓名,并在多个模型中比较停用词方式、不对文本处理的方式以及本文提出的多实体融合与实体替换的方式,实验结果表明实体替换的效果要优于其余两种方式。最后使用CRNN+Self-attention模型作为论文使用的司法判决的模型,并与其余模型对比,实验表明,在多实体融合与实体替换的基础上,CRNN+Self-attention模型的效果最好。（3）针对现有的司法判决方式大多不注重文本结构特性的问题,论文使用语义依存分析获取文本的语义结构树信息,并将其依存三元组的序列结合作为特征,提出了基于依存关系的De CRNN模型。该模型使用多通道卷积分别提取依存三元组的特征信息,并使用RNN层提取文本的序列信息。实验结果表明,使用依存信息的De CRNN模型相比不使用依存信息的各模型都有一定的提升,与使用注意力机制的模型相比,也具有一定的竞争力。