计算机自适应测验(CAT)选题在实际应用中不仅需要考虑统计优化问题而且需要满足非统计约束。统计优化指测验要保证有较高的测量精度,而非统计约束指测验的组成满足一定的测验规范,如内容约束、题型约束、维度约束以及项目曝光控制等。同传统CAT一样,满足非统计约束也是多级评分多维CAT应用中需要解决的重要问题。多维计算机化自适应测验(MCAT),不仅可以获取被试在多个维度上的能力和特质信息,还可以提高测验的准确率和效率。多级评分项目可以提供更多诊断信息并可测量复杂的能力和技能而被广泛应用,因此多级评分多维计算机化自适应测验(polytomously-scored MCAT,PMCAT)在实际应用中前景更加广阔。然而,目前非统计约束方法主要应用在单维CAT中,而在MCAT中的应用则较少,尤其是在多级评分的MCAT中的研究仍未有相关文献报道。本文主要目的是探讨将传统非统计约束的选题策略拓展应用到PMCAT中,并开发出新的非统计约束选题策略(研究一)。同时采用Monte Carlo模拟研究(研究二和研究三),一方面验证研究一基于非统计约束选题策略的性能,另一方面探讨探索模型、测验维度数以及维度间的相关大小等因素对基于非统计约束的PMCAT选题策略的测量精度和题库安全性以及非统计约束的影响。研究结果发现:(1)RMMPI方法总体表现最好,在各种相关条件以及不同模型基础下均能完全满足非统计约束条件,并且测量精度最高,测验安全性较好,RWDM方法在非统计约束满足方面和测验指安全性上优于RMPI方法,RMPI方法在测验精度方面表现优于RWDM方法。(2)3种新方法,在满足非统计约束方面均表现良好,与原方法相比均大大降低了违背非统计约束的数量,且测量精度有所提高;(3)非统计约束违背数量并不受维度数、维度间相关程度和模型基础的影响;(4)各选题策略的估计精度随着测验维度数的增加而有所降低;(5)维度间的相关越高以及维度数量越多,题目使用均匀性(x~2)和测验重叠率(TOR)越低,题库安全性越高。