测验为教育者提供了一个评估学生从课程中获得知识的不可或缺的方法。然而,教师人工评分是一项沉闷且费时的工作。尽管计算机辅助评估应用于高校和学院多年,主要针对客观题型,例如,选择题等。其次,有研究表明了以简答题为代表的主观题型适用于捕获学生从高等教育中获得的知识,如逻辑推理,总结概括等。基于此,研究简答题自动评分（Automated short answer grading,ASAG）不仅减轻了人工评估的负担,还帮助了学生的学习过程,提供无限制地,及时地反馈。当前,许多有关自动简答题评分的研究工作来自于工业实验室,依靠私有数据集进行了应用研究。如上所述,研究人员致力于应用自然语言处理技术于解决ASAG领域的问题。同样地,本文开展了应用自然语言处理的先进建模理论和表征学习的研究工作,建立了具有创新性的解决问题方案,使ASAG模型的泛化性和鲁棒性得到了进一步提升。本文的研究内容可详细总结为以下两个方面:第一,针对预先给定的参考答案无法覆盖具有语义多样性的学生答案的问题,本文提出了基于孪生神经网络的ASAG系统。该系统可描述为采用增加先验知识的方式,通过加入问题的信息,形成与学生答案和参考答案句子对的语义信息互补,进一步提升了ASAG系统的性能。同时,该系统的架构包括基于孪生神经网络的编码器,它由两个权重共享的子网络耦合而成,使系统能够提取（参考答案,学生答案,问题）三个训练实例的语义相关性特征。此外,本文提出了基于池化层的特征融合层,驱动ASAG系统学习有效的语义相关性特征。简而言之,这里提出的ASAG系统堆叠了基于孪生神经网络的编码器,基于池化层的特征融合层以及单个回归层。第二,针对目前大多数ASAG系统存在的缺陷,学生通过复制或稍微改写标准答案取得高分的欺骗行为,本文通过采用基于规则的数据增强方法研究了ASAG模型的鲁棒性,增加了学生作弊的难度。然而,由于自然语言存在离散性因素,导致基于规则的数据增强合成样本的多样性受到限制。基于此,本文提出了基于知识蒸馏的数据增强策略,通过并行的方式堆叠不同的单个数据增强方法,使得不同的单个数据增强形成互补,提高了增强样本的多样性。此外,相比原始样本,在训练模型的向量空间中增强样本的嵌入可能与其它类别实例的嵌入更相近,于是本文提出了基于监督对比学习的ASAG系统,通过对比学习目标函数正则化预训练模型的嵌入,缓解了嵌入空间中存在的各向异性问题,帮助模型学习到有效的句子表示。其次,本文在两个公开数据集上实验了提出的两个系统,与此同时对比了多个已公开发表的模型。实验结果显示了文本提出的两个模型的性能与基线模型相比均取得了实质性提升。此外,本文深入分析了消融实验以及其它性能实验的结果。简而言之,本文开展了基于孪生神经网络的研究,同时应用自然语言推理以及自然语言理解等领域的前沿技术和理论取得了具有创新性的研究成果。此外,本文在公开数据集上与多个已公开发表的工作对比了提出的解决方案,通过实验结果验证了本文提出的解决方案的有效性。