随着人工智能技术在司法领域的应用，依据案情描述预测所属罪名成为一项重要研究内容。案情内容术语专业，描述言简意赅，而现有方法却往往依赖文本特征，忽略了不同案件相关要素的差异性，缺乏对案情行为词要素的有效利用。为了解决此类问题，提出一种融合行为词的罪名预测多任务学习模型。首先，由边界识别器生成行为词跨度，提炼出案情核心内容；其次，通过构建行为词的结构特征预测所属罪名；最后，将行为词识别和罪名预测进行统一建模，通过共享参数的方式增强模型的泛化能力。通过构建行为词识别和罪名预测的多任务数据集进行验证，实验结果表明该模型识别行为词任务的F值达到了83.27%，罪名预测任务的F值达到了84.29%，与BERT-CNN模型相比，分别提高了0.57%和2.61%，验证了该模型对行为词识别和罪名预测的优势。

针对司法领域标记数据匮乏、标注质量不高、存在强逻辑性导致裁判文书量刑情节识别效果不佳的问题，提出一种基于反绎学习的量刑情节识别模型ABL-CON。首先结合神经网络与领域逻辑推理，通过半监督学习方法，使用置信学习方法表征情节识别置信度；然后修正无标签数据经过神经网络产生的不合逻辑的错误情节，重新训练识别模型，以提高识别精度。在自构建的司法数据集上的实验结果表明，使用50%标注数据与50%无标注数据的ABL-CON模型在Macro_F1值和Micro_F1值上分别达到了90.35%和90.58%，优于同样条件下的BERT和SS-ABL，也超越了使用100%标注数据的BERT模型。ABL-CON模型通过逻辑反绎修正不符合逻辑的标签能够有效提高标签的逻辑合理性以及标签的识别能力。

关系抽取旨在从文本中抽取实体与实体之间的语义关系。作为关系抽取的上层任务，实体识别所产生的错误将扩散至关系抽取，从而导致级联错误。与实体相比，实体边界粒度小且具有二义性，更易识别。因此，提出一种基于实体边界组合的关系抽取方法，通过跳过实体，对实体边界两两组合来进行关系抽取。由于边界性能高于实体性能，所以错误扩散的问题得到了缓解；并且通过特征组合的方法将实体类型特征和位置特征加入模型中，性能得到了进一步提高，再次减轻了错误扩散带来的影响。实验结果表明，所提方法在ACE 2005英文数据集的宏平均F1值优于表格-序列编码器方法8.61个百分点。