目前考试自动评阅绝大多数只能较好实现如判断题、填空题、选择题等客观题,而占据教师评阅工作量最大的主观题自动评阅却很难实现,尤其在数学学科方面更加困难。虽然现在已有一些数学应用题自动评分的方法,但智能化程度不高,存在忽略语句逻辑顺序、无法有效识别数学文本中的公式及一题多解情况难处理等问题。针对此,本文基于字典和文本相似度的深度学习算法,对高中数学三角应用题研究了自动评分的理论与方法,以及试图解决一题多解自动评分的问题。具体研究工作如下:（1）高中数学文本包含许多领域内的特有符号与公式,且这些符号与公式对整个数学评阅起着至关重要的作用。同时数学答案繁杂,一般完整的解答需要多个步骤且解题过程具有严谨的逻辑性。针对此特点,本文将解答分步,提取公式,创建三角函数领域内的特有公式字典等处理后,综合考虑关键步骤、公式、语句逻辑等特征,构建了一个基于BLEU原理的多特征融合的分步评分算法。该算法融合了数学文本的多方面特征,使得最终的评分更加合理和完善。除此之外,针对数学一题多解的情况,也提出了一种将学生答案与多种标准答案进行模糊全匹配的算法,并将匹配程度最高的得分作为学生最终得分。（2）针对高中数学文本逻辑性强,前后有着十分密切的因果关系等特点,提出了一种组合卷积网络（CNN）和双向长短期记忆网络（Bi LSTM）的对称孪生网络结构的整体相似度评分模型。将CNN提取的局部数学文本特征矩阵与Bi LSTM提取的全局文本特征矩阵进行不同层次相似度建模,得到深层次的语言特征,最后将两个相似度矩阵融合拼接后能有效最大化保留数学文本特征。（3）针对三角函数领域数据集的特殊性,本文基于天津市高中联考考试真实数据,立足于高中三角函数板块内容。通过线下整理收集,清洗去重,扫描矫正,人工标注得分以及建立公式词典等一系列流程,得到三角函数数据集。并将该数据集应用于基于BLEU的多特征融合分步评分模型以及基于CNNBi LSTM的整体相似度评分模型,从分步到整体的不同层次进行评分,在综合考虑步骤得分以及长文本评判方面,两种模型均取得了不错的实验结果。