在教育领域,问答题题型广泛用于各种考试中。以往针对问答题的自动评分研究吸引了大量学者研究,且大都面向电子版文档。而目前的作业、试题大都以纸质文档为主,故距实际应用较远。如何将问答题自动评分的方式方法应用到纸质对象的评阅中,还尚未有完整的解决方案,成为了自然语言处理在教育行业应用的重点和难点问题。在上述背景下,本文从教师的试卷批改工作入手,观察和调查教师的批改动作,根据改卷过程中的需求和计算机工作特点,确定了一个先检测、再识别、最后评分的三段式纸质试卷自动评分的算法框架。再以《系统建模与仿真》学科考试为研究对象,设计、制作和收集纸质试卷,组合运用目标检测算法、OCR文字识别API、问答题自动评分方法实现了一套针对纸质试卷的题目自动评分算法。针对本文应用场景,首先利用现有Yolo v4目标检测算法,自建试卷数据集,改进了目标检测的预处理和视频帧检测方式,实现了对试卷姓名栏、题目内容的目标检测;随后根据目标检测结果,搭建腾讯云OCR API实现了对检测结果的手写体识别;然后将含有维基百科、国内新闻、学科专业文本混合语料库,使用Word2Vec训练词向量模型,将词向量、句向量作为文本的特征进行相似度计算,并制定了问答题评分规则;最后,使用正则表达式、多线程等方法将Yolo v4、OCR、语义相似度评分算法三者连接。评测实验表明:改进图片数据增强方法的Yolo v4网络得到了68.77%的mAP50成绩和49.48%的mAP75成绩,使用“竖直平移”视频检测方案将试卷内容检测精度提高了21.25%,搭建的Word2Vec问答题相似度评分算法与专家评分均方误差在0.81以下,误差在10%以内。在测试中满足日常使用要求。本文成功实现了纸质试卷的问答题自动批改算法,研究成果对纸质对象的智能阅卷提供了理论依据和方法参考。提出的原型算法的实现证明了利用上述三种算法实现针对纸质试卷的问答题自动评分解决方案在理论和技术上是可行的,对减少教师工作量、提高教学质量有重要应用价值,对未来相关研究具有一定参考价值。