简答题作为测评学生能力和素养的主观题类型之一,是试卷的重要题型。在中小学考试中,评分主要采用人工方式,一位教师要负责多个班级的阅卷工作,这给简答题评分的效率和公平性带来了挑战。而简答题自动评分方式,在客观公平性、高效快捷性、反馈及时性、分析智能性等方面具有明显优势。现有的简答题自动评分方法多数只注重单一相似度特征,而且对于多义词和上下文关联等语义特征提取,存在很大局限性。因此,研究面向模糊语义特征和多相似度的评分方法具有重要意义。由于简答题分数是学生阅读理解能力、逻辑思维能力、语言表达能力的综合体现,运用算法进行简答题自动评分,是一个研究难点。伴随人工智能技术的快速发展,深度神经网络表现出对文本上下文关系和词义提取的优势,这给自动评分提供了新的思路。本文根据简答题评分规则,深入研究文本相似度特征、语义特征、浅层特征与分值的关系。运用新型神经网络结构抽取文本模糊语义特征,结合传统方法抽取文本浅层特征,引入文本检索概率算法,分别计算语义特征相似度、浅层特征相似度、检索概率相似度,使用融合方式构建出简答题自动评分模型,有效提高简答题自动评分的准确性和普适性。第一,根据评分规则,借鉴现有多种评分系统和模型,对简答题标准答案和学生答案进行抽象和属性提取,提炼出评分指标和关键特征,为后续模型构建提供基础依据。第二,针对已有自动评分方法中特征抽取局限性问题,参照评分指标,使用深度学习方法,抽取词义、上下文关系等语义特征,生成句向量,进而组合成篇章张量,并计算语义相似度。第三,使用改进的传统方法抽取浅层文本特征,计算浅层特征相似度。引入文本检索概率算法,计算检索概率相似度。融合深度学习方法和传统方法,构建评分模型。综合语义特征和相似度进行评分。使用中文、英文的两个中小学简答题数据集进行实验分析。实验结果表明,本文提出的融合模糊语义特征和浅层特征相似度、深层语义相似度、检索概率相似度的评分方法,采用新型双向神经网络和遮蔽语言模型训练句向量,可获得更好的语义特征表示;采用语义特征和相似度特征结合的方式,可获得更高的评分准确性和更好的模型普适性。在中小学考试应用中,评分准确性和通用性方面都有较大提升。