开放式问题答案评分任务属于自动文本评分任务中的特殊分类。与一般的自动文本评分任务相比,开放式问题往往没有标准答案,所有符合回答完整、切合题意、语言流畅等条件的答案都可以算作优秀答案。为了能给开放式问题的答案进行更客观高效的评分,有必要建立相应模型对开放式问题的答案进行自动评分。目前已有的自动文本评分模型大多依赖于知识特征和标准答案,需要大量的人工标注,难以对没有标准答案的开放式问题进行准确评分。因此本文使用深度学习模型,利用文本对抗思想,以较少的标注文本对开放式问题答案评分任务展开研究,提高模型在该任务中的性能。本文将一个以文本对为输入的分类模型作为开放式问题答案评分任务的基础模型。它能自动对输入的文本对进行评分,最后输出分类结果,有差、中、好三个类别。本文提出了ATQA模型,使用基于梯度的白盒对抗训练方法,在输入文本的词向量空间中添加扰动来提高模型的整体性能,使用类平衡损失函数解决了类别不均衡的问题。在中文数据集上,相比于使用其它对抗训练方法的模型,ATQA模型的准确率提高了1.04%。因为标注文本的获取成本较高,为了能更好地扩充数据,本文提出了Auto Gen方法,将对抗扰动生成为文本来对原数据进行数据增强。具体方法是利用自编码器结构,将基于梯度的连续扰动映射到离散的文本空间上,以数据增强的方式,将Ro BERTa模型的准确率提升了1.82%。此外,Auto Gen方法生成的文本是对原文本进行句子级别的扰动,在保持句子原意不变的情况下,对句子进行了增添、修改、替换等多种操作,相比于其它对抗文本生成方法,变换更丰富。本文以真实的应用场景提炼相关数据集,并用提出的方法在该数据集上进行实验验证。实验结果表明本文提出的方法可以提高模型的性能,有效地完成开放式问题答案评分任务,并获得实际应用。