随着教育考试信息化的发展,各种考试的形式与内容都在不断的更新进步。人事考试是当前对人才评定与选拔的主要形式,由于考生素质的不断提高,考试涉及内容的逐年增大,以往采用的算法难以满足当前人才评定的需求,其中以试卷难度预测和智能组卷方面的问题最为突出。为了使人事考试更为科学合理公正,就需要利用新的技术对这两个问题进行研究应用。在试卷难度预测的研究中,提出了一种基于数据挖掘分类技术的试卷难度预测方法。对于该方法的实现首先要解决的是对一个合格分数的预测,然后根据这个合格分数与试卷总分的比作为试卷难度定夺的标准,而对合格分数的预测就需要利用分类技术对往年考生的数据信息进行分析挖掘。本文以人事考试中的经济师资格考试为应用实例,分别利用决策树中的C4.5算法和人工神经网络中BP模型,完整地实现了相对于某一难度合格成绩的分类挖掘的全过程,并近似的预测了2005年的考试试卷难度范围。同时在分类模型实现的基础上,还对决策树与人工神经网络的分类性能进行了对比分析,最终得出由决策树分类模型进行试卷难度预测更为合理可行的结论。在智能组卷策略研究中,首先通过对组卷目标要求分析的基础上,建立了一种难度系数符合考试试题控制指标要求的试卷模型结构,并利用粒子群优化算法进行了实现。粒子群算法组卷是一个离散性求解问题,它首先初始化一群随机粒子,然后通过迭代在有限进化代数内找到最有解,这对粒子群算法应用来说是一个新的扩展。本文在该试卷模型实现的基础上,同时也验证了粒子群算法收敛速度快、效率高的良好性能。