作为机器学习算法研究中的一个研究热点,深度学习是一种模拟人脑神经元且具有层次式体系结构的机器学习技术。近年来,深度学习技术在诸如语音识别、图片识别、自然语言处理等子领域的应用中取得了突破。在大数据的支持下,深度学习技术在法院智能化领域快速发展,日益彰显出它的重要意义和广阔的应用前景,将深度学习技术和审判实践的各个环节相结合能大大提高人民法院的智能化水平。当前,法院案多人少的问题十分严峻。2016年基层法院刑事法官人均年结案数量为200件以上。因而迫切需要提高法官的案件审判效率,加快案件的审结。由于深度学习技术在文本分析显示出了巨大的优势,利用深度学习技术辅助法官完成案件审结也因此成为了智慧法院建设的重点研究问题之一。基于上述需求和背景下,本文搭建了一个案件结案智能辅助系统,引入深度学习技术为法官推荐案件审理结果信息,辅助法官审结案件。该系统不仅减轻了法官的工作压力,而且可以避免类似案件不同判现象的发生。本文对深度学习技术展开研究,使用CNN模型构建基于神经网络的回归模型,使用CNN-RNN融合模型构建基于神经网络的文本分类模型。本文的具体工作有以下两点:1)本文搭建了一个案件结案智能辅助系统,通过深度学习模型增量训练帮助法官判案。该系统包括样本导入与模型初始化子系统、审理决断子系统、案件审理模型增量训练子系统三个子系统。首先,系统通过模型配置完成案件审理模型构建,帮助模型管理者完成不同类别下的案件审理模型的初始化。然后,系统能够在法官进行案件审理时,根据录入的案件审理信息推荐审理结果信息,辅助法官完成案件的审结。同时,法官能够对推荐异常信息进行修正,该修正信息后续会对模型库进行修改。2)本文对案件结案智能辅助系统进行了应用效果验证。应用验证包括对刑期进行回归效果验证和对结案方式进行分类效果验证。对于回归效果验证,本文将CNN与ANN、SVM进行应用效果验证对比,发现本文使用的CNN在推荐刑期的精度上有明显的提升。对于分类效果验证,本文将CNN-RNN融合模型和传统的机器学习模型进行效果对比,发现本文使用的融合模型对结案方式的推荐准确率上有明显提升。