当前无论是在学校中还是在职称评定方面普遍存在各种类型的考试,考试实际上是一种进行测试和选拔的过程,以此可以检验考生的真实水平,并为相关领域的人才选聘以及评定提供准确的依据。随着计算机以及人工智能技术的持续发展,逐步改变了传统的考试模式,在线考试系统的应用成为重要的趋势,在很多考试中已经采用了自动化的考试系统,可以基于计算机高效完成考试以及评分的过程,相对于传统的考试模式效率更高,成本更低,能够得到较为准确的考核结果。当前在采用在线考试系统中,在客观题评分中大多采用了自动评分技术,此类技术比较成熟,可以高效得到评分的结果。但是在主观题评分中依然缺少自动评分技术的应用,此类题目具有很多的种类,例如有作文或者其它形式的简答题等。主观题的作答具有一定的开放性,很多题目并没有固定的答案,所以实现自动评分的复杂度较高,现如今并不能依靠计算机实现自动评分,仍然需要人工评分。因此,阅卷人需要在极短地时间内对答题者的表述进行阅读并理解,进而用自身的标准对答题者掌握知识的程度进行评价,这种方式存在明显的不足问题,增大了评分教师的工作压力,降低了评分的效率,而且评分结果的准确性往往无法达到较高的要求。本文以简答题和名词解释题这类具有标准答案的短文本主观题为研究重点,对该类主观题自动评分算法进行研究,进而实现自动评分,可以在人工阅卷时起到辅助、复核作用。这样可以相对消除阅卷人一定的主观意识影响,同时进一步提高评分的准确率和公正性。围绕着短文本主观题自动评分研究,本文将短文本主观题标准答案得分点划分为fullmatch和非fullmatch两部分。（1）对于标注为fullmatch的得分点,通过该得分点和考生答案进行正则匹配;若正则匹配成功,则考生答案减去对应的fullmatch答案且获得该得分点分值,否则保留原考生答案且不获得该得分点分值。（2）对于非fullmatch得分点计算分为三步,第一步将考生答案和非fullmatch得分点提取特征并进行拼接,将拼接后的向量值输入全连接神经网络计算出相似度值,然后依据相似度值计算出分值A;第二步提取非fullmatch得分点的关键词并与考生答案进行双向匹配从而计算出分值B;第三步将分值A和分值B分别加权并相加得出考生在非fullmatch部分最终得分。最终将在fullmatch得分点所得分数和非fullmatch得分点所得分数相加即为该考生的总得分。本文做的主要工作有:（1）本文运用了特征拼接思想,通过提取基于BERT生成句向量,基于改进的jaccard系数和熵相似度特征,基于依存句法分析和词性标注得到的句法特征向量以及基于语义角色标注相似度五部分特征并进行拼接,最终形成长度为1619的一维长向量。（2）根据提取特征的方式不同,本文设计了四种网络模型,通过对每种模型选取不同的超参数进行训练,同时采用了数据增强的思想,最终选择出更适应于短文本主观题自动评分的全连接网络模型。（3）基于Textrank算法实现了一种简单且高效的关键词提取工具用于后续模型的建立。（4）利用Django设计并实现了可交互的web端主观题评分复核系统,同时也论证了系统的可用性和高效性。本文对短文本主观题自动评分模型进行研究,并成功将其应用于系统当中,在评卷老师打分过程中,自动评分可以起到复核,参考的作用,可以相对消除一定的主观意识影响,进一步提高评分的准确率和公正性,能够更好地保证考试的公平性,具有一定现实意义。