标准一致性测试是根据某项标准所要求的专门规定来测试目标系统,以便确定该系统与标准的一致性程度,对于提高系统的标准化具有重要作用。一致性测试的切入点是标准一致性条款和实现一致性声明,一致性条款需要在标准条款中抽取,实现一致性声明可以采用ICS问卷开展,传统上这两项工作基本是靠人工完成,费时费力。因此,本文提出了标准条款分类算法和ICS问卷自动生成算法,并开发了测试系统,提高一致性测试的工作效率。本文的研究内容如下:首先,为了自动化获取交通运输信息标准中的一致性条款,针对现有文本分类方法中卷积神经网络存在的缺少上下文含义和循环神经网络存在的梯度消失及梯度弥散等问题,提出一种基于BLSIM的文本增强表示方法和基于CNN网络的语句分类相结合的方法进行文本语句的分类。该方法的核心思想是将BLSTM前向和后向过程产生的向量相加,然后与原文本向量拼接作为文本的向量表示,将文本向量作为CNN网络的输入进行文本分类。通过与传统机器学习模型、单神经网络模型及经典混合模型的对比试验验证方法的有效性,结果表明基于改进的BLSTM和CNN的链式混合神经网络模型准确率达到93.77%,在对比实验中表现最好。其次,在一致性条款抽取的基础上研究了ICS问卷的自动生成。通过对ICS问卷和汉语问句的分析及研究,问卷问句类型包含正反疑问句、特指疑问句和选择疑问句三类。在对主流规则式、抽取式和生成式文本生成方法研究的基础上,提出改进对抗神经网络的问句生成模型。该模型分为生成器和判别器两部分,生成器部分采用Encoder-Decoder进行改进,判别器采用卷积神经网络。并通过实验验证了模型在疑问性、连贯性、意义性等方面的有效性。最后对以上方法集成,进行了系统设计、实现和测试。利用构造的交通运输信息标准条款数据集进行测试,证明本文提出的算法切实有效,可以推进标准一致性测试工作的进行,提高一致性测试的自动化程度。