司法数据的事件分析任务主要是用于识别案件中犯罪主体和客体所发生的犯罪行为,从而分析案件的犯罪行为关系,提取案件的主要行为过程。由于司法审判结果受犯罪行为影响,所以该任务的研究可以有效支撑法条推荐、罪名预测等司法智能化辅助研究。在司法事件分析中,本文以谓语中心词作为司法事件的触发词,通过识别谓语中心词及关联要素来识别司法事件。然后对案件中发生的所有事件信息进行构建,提取案件的关键事件信息。本文主要工作如下:（1）司法事件抽取方法研究。由于司法数据自身的特点,引入谓语中心词后,使其在司法数据中存在多种表达形式,造成了传统方法不能有效获取谓语中心词的语义信息,导致司法事件识别困难的问题。因此,本文提出一种基于字词交互的司法事件抽取模型。该模型采用字信息与词特征的交互表示,使用Cross-Bi LSTM学习字词交互信息在句中的上下文依赖信息,并通过CRF计算出事件元素的最优标签路径。在司法数据集上的1值达到84.41%,超出对比方法4.8%。（2）司法关键事件识别方法研究。由于谓语中心词不区分类别,除了识别出案件的主要行为事件信息,同时也会识别出部分与案情无关的噪音事件,因此,本文提出一种基于行为序列的司法关键事件识别模型。该模型通过对案件中发生的所有事件信息进行建模并构建行为序列,利用GGNN学习行为序列中事件之间的语义关联特征,并用Attention机制来过滤案件中存在的噪音事件。该模型在大规模司法数据中取得了良好的性能,准确率达到了45.73%。