近年来,随着人工智能技术的发展,越来越多人开始关注智能阅卷方面的研究。现阶段的自动评分系统对于客观题如判断题、选择题以及填空题等固定答案的题型能够做出精准的评分,但对于主观题来说,目前主要是以人工评阅为主,并且在评阅主观题试卷时,可能会受到个人情绪、卷面排版以及身体劳累的影响评阅试卷的客观性和工作效率,因此主观题评分系统的研究对于智能化教育具有重要意义。本文提出基于中文分词和文本相似度的主观题评分系统研究,主要的工作如下:1、针对现有基于神经网络的中文分词模型,通常需要大量的标注句来进行模型训练等问题,本文提出了一种基于结合词典信息的中文分词模型,来充分地利用词典的有用信息,减少标记数据的依赖。通过设计伪标记数据生成以及多任务学习的方法,将字典信息加入到神经网络CNN-Bi GRU-CRF模型中进行训练,并在两个基准数据集PKU和MSRA上进行实验验证,其准确率分别达到97.6%和97.8%,实验结果验证了该方法可以有效地提高中文分词的性能。2、本文提出了一种改进的多模型文本综合相似度算法。首先,采用基于知识和语料库的混合算法来计算文本的术语相似度,通过引入动态VSM模型以及术语相似度来计算短文本的相似度;其次,提出一种基于选区解析树CPT的句法相似度算法,获得文本的句法相似度。针对句子相似度算法,提出了一种基于非线性加权TF-IDF算法、改进的Jaccard相似系数和Word2vec-CNN的句子相似度算法。算法整体上从短文本语义相似度、句法相似度以及句子的相似度综合考虑求得最终文本的相似度。实验结果表明,其准确率达到83.0%,召回率为90.0%,F1值达到了86.4%,相对与仅考虑句子相似度算法和文本的语义相似度算法的准确率分别提高了15.1%,5.7%。3、本文设计了基于主观题的自动评分系统,实现了各个模块的功能,系统以山西省某初中政治题试卷进行了训练与测试,与人工评改的结果进行了对比,实验证明系统在主观题评分中具有较好的表现,与人工评分的差异可以控制在一个相对合理的区间。