人工智能的发展使人们的生活和工作更加轻松有效,基于计算机的在线考试和阅卷不仅提高了学生的学习效率,也减轻了教师评阅工作的压力。对于客观题的评阅经历了从人工评阅到光标阅读机评阅再到计算机的字符匹配,评阅的正确率一路飙升达到100%;而对于主观题的评阅,国外经历了PEG、E-rater等系统,国内有使用英语大语料库相似性比对的系统、基于自然语言理解使用智能算法批阅的系统等。这些系统大都基于规则和LSA等一些浅层语言特征来评分的,对于英语的语感并没有深度感知。虽然目前的智能阅卷系统取得了很多的成就,但是它们没有从根本上解决主观题智能评阅的合理性问题。为了更好地深度感知英语作文中的语感,提升智能评阅的合理性问题,本文提出了基于关联分析的N元语感值量化和基于合理性提升的英语作文评分拟合算法。语感值量化通过获取作文的N元组,计算其在语料库中的支持度。若支持度低于阈值,则对出现语感问题的部分进行分析,并判别语感问题类型以供学生对作文修改提供帮助。除此之外,本文还提取作文中的单词特征、句子特征和篇章结构特征来对英语作文分数拟合。由于并非所有学生都能根据题目要求来完成作文,因此采用分流评分模型将正常作文与低分作文分开评阅。低分作文使用k最近邻算法评分,正常作文则使用支持向量回归算法来拟合考生的分数。通过统计发现,作文分数也呈现一定的正态分布。标准的支持向量回归算法容易产生数据偏斜问题,因此本文针对此问题采用合理性提升的方法,根据数据集的分布情况给予相应的惩罚因子。最后通过使用某高中往年的高考模拟试题数据进行了训练,产生一个高考作文模拟智能评分模型。通过对测试集进行测试,实验表明通过对考生英语作文的语感特征的提取,不仅能够判断考生的语感是否存在问题,而且对于作文整体的评判提供依据。本文提出的英语作文评分拟合算法能够很好地提升部分数据的预测准确率,解决了分数呈现正态分布的数据偏斜问题。本文设计并实现了在线模拟考试系统,融合作文智能评分系统,使之能够满足师生的在线考试与智能评阅需求。