随着人工智能在教育领域的不断发展,各种能够提高工作效率的方法层出不穷,尤其是自动评分系统的出现,更加减轻了老师工作量。现在已经取得广泛应用的是客观题自动评分,而主观题评分因为复杂且困难一直是教育人工智能领域的研究难点和热点。英语阅卷工作量较大,且英语主观题存在中英文两种题目类型,因此研究英语考试自动评分具有重要意义。主观题自动评分算法的核心问题是文本相似度研究,而深度学习因为在特征提取方面的优势,在自然语言处理领域中的应用越来越广泛,运用深度学习知识将文本内容用特征向量表示,用向量的距离来判断文本对的相似度。本文在提出使用卷积神经网络衡量文本相似度时,不仅使用多尺度卷积提取文本局部基础特征,还研究使用双通道卷积模型提取文本多粒度特征,在此基础上,将双通道提取出的特征进行交互。在使用循环网络模型衡量文本相似度时,研究在双向GRU模型中融入注意力池化和自注意力的模型。本文的主要工作和创新点如下:首先,研究使用多尺度卷积提取文本特征,使用尺度不同的卷积核,获取不同尺度丰富的文本语义信息。解决了单一尺度获取局部信息时语义丢失的问题。又提出一种基于词粒度和字粒度的双通道卷积神经网络,两种粒度的文本表达使得文章更深层次的信息被挖掘。使用两种粒度的文本表征矩阵,学习两个通道的不同粒度语义的相似特征,通过交互后的语义相似矩阵判断文本相似度。其次,研究在双向GRU模型的基础上分别融入自注意力机制和注意力池化。自注意力机制不仅能捕获远距离文本信息,解决了远距离信息丢失的问题,还能捕捉同一句子中不同单词之间的相互作用。注意力池化可以通过文本之间的交互作用,捕捉文本对之间相互影响的信息,获取不同词之间影响程度。双向GRU模型用来处理时间序列的文本信息时,能获取句子的前向和后向语义信息。最后,对本文提出的方法模型进行实验分析,对比使用基于卷积神经网络和循环神经网络两种模型的效果。本文的语料集有中英文两种,针对这两种不同的语料集,采用的预处理方式也不相同。实验数据表明,循环神经网络在短文本数据集中效果较好,证明融入注意力池化的网络,因能够获取文本之间的相互影响而使得文本特征表示更全面,在研究文本对的相似度时模型效果更好。