在我国的英语教育中,通常是在口语教育中出现困难,例如教师短缺、环境限制、条件不足等等,导致中学甚至是大学中的“哑巴英语”现象屡见不鲜。随着计算机的发展和语音技术的成熟,利用计算机辅助语言学习系统(CALL)进行自主学习已经成为学生英语学习的一个重要的学习方式。为了改变现有的英语学习环境和教学模式,提高英语口语学习效率,本文对计算机辅助语言学习系统的评分方法和评分机制进行深入、系统的研究。　　 语音评价技术和语音识别技术是CALL系统评分机制的关键技术,它们让计算机变为“英语老师”对学习者的发音进行评分。语音信号包含大量的信息,但目前对语音信号的评价大多停留在发音段特征的评分,整体性评价性能不是很理想;再者,评分机制的可靠性也需要进一步的提高。本文针对现有方法存在的问题,在语音评分方法和评分机制方面开展了创新性研究,重点研究各种特征的提取与评分方法。　　 本文提出将特征评分分为三个域进行评分,包括发音段、超发音段和感知域。对于发音段,提取MFCC特征作为发音段的代表性特征,提出使用语音识别技术,利用HTK工具进行识别,并设计语音库,建立声学模型库和语义网络,利用识别准确率的大小得到分数值。经过相关系数的计算与测量,将三个域评分合成后的机器评分与专家评分的相关系数高于发音段评分的效果,也高于任意两个域的合成后的机器评分的效果。　　 为了提高机器评分与专家评分的相关系数,本文提出采用神经网络将各个机器的评分合成为一个分数。经过计算,合成后的机器评分与专家评分的相关系数达到0.814,高于线性合成的效果。由此证明,该评分机制的性能比以往的评分机制有很大的改善。