近年来随着互联网在线教育的快速发展,人们的学习模式逐渐地由传统的线下教育过渡到了线上学习,这一方面带来了大规模的线上判分任务,另一方面使得计算机自动评分相关的需求猛增。由于每道主观题都要由两名老师评分,成本很高,标准化的考试(包括笔试)变得越来越昂贵。当前现有主观题智能阅卷系统,主要通过正则匹配得分关键词的方式,完成判分。该判分方式存在判分精确度低、判分维度少、无法识别同义作答等问题。为此,本文提出了基于多模型特征集成的机器学习算法,克服了以上传统判分模型中的种种问题,高效地完成了主观题自动判分相关任务。多模型特征集成的机器学习算法是通过利用不同机器学习模型对相同数据样本提取不同维度特征,再利用相关机器学习算法完成相关预测的算法。本文研究了当前主要的判分方法,并进一步地定义了主观题判分问题。通过研究主观题判分相关逻辑,完成相应作答文本的数据处理,同时从多个维度提取了TF-IDF、Word2vec、LDA等表征语义的向量特征,并最终比较不同机器学习分类模型在当前特征上的预测的效果。实验结果表明在XGBoost模型上作答文本得分点预测精确率达到82%以上。通过本文提取出的多模型特征集成的机器学习算法,解决了传统判分模型中判分维度单一的问题;同时在判分过程中保证了判分高精确性;通过利用数值向量的文本特征表征方式,解决了同义作答无法被识别的问题。整体而言本文提出的基于多模型集成的主观题判分算法的判分效果明显,该算法实现了自动判分功能,提高了判分精确性,为解决大规模判分任务以及其他相关判分问题提供了可行性的参考价值。