随着教育信息化水平的不断提高,计算机辅助语言学习(CALL)系统在语言教学中的应用也变得更加广泛。在国内大学的英语口语考试中,教师需要对大量考生的口语录音进行人工批改,这是一项重复且消耗时间的工作。利用CALL系统实现对口语录音的自动化批改将能减轻教师的工作负担。目前这样的系统已经成功实现了对朗读型口语题的自动批改。然而,针对开放式口语题型进行自动化批改仍然是待突破的研究重点。因此,设计并实现一个针对开放式口语的智能评分系统具有重要的研究意义及应用价值。本文结合深度学习技术和面向对象设计思想对评分系统进行了详细设计与实现。系统将通过两个评分模型分别对口语语音和口语内容进行单独评分,并将两个评分结果相加后作为最终得分,其中口语内容是通过外部语音识别引擎对录音进行文本转录得到的。本文基于不同的神经网络构建了两类评分模型。在第一类模型中,语音评分模型和文本评分模型均使用BP神经网络来构建,这类模型的输入特征需要人工进行选择。本文共提取了七类特征:发音质量、流利度、内容丰富度、主题相关度、语法、词汇丰富度、句子结构。在第二类模型中,两个评分模型均使用一维CNN和LSTM网络来构建,这类“端到端”的评分模型无需进行特征工程,本文将口语录音和口语内容分别转化为MFCC向量和词嵌入向量来作为评分模型的输入。最后,本文使用北京邮电大学情景英语考试现场采集的650份口语录音及其对应的人工评分数据对模型进行了训练与测试。实验结果表明,在训练数据集较小的情况下,BP网络模型获得了更好的综合评分性能。