自动化阅卷是一项具有高度社会生产价值的信息技术,目前大多数的做法是通过设计答题卡来实现选择题的自动判别,针对中文简答题仍缺乏有效方法。考虑到手写体汉字文本切分准确度低、识别难度大等问题,本文基于数据增强技术和卷积神经网络模型,对中文简答题的自动阅卷问题提出了一些解决方法。针对简答题文本切分问题,提出多步字符分割方法。将图像的垂直投影直方图做多项式曲线拟合,在函数极小值点处作分割线,然后根据其结果计算图像片段的宽高比例。从而区分不同结构的字符类型,包括过度分割字符和粘连字符。最后通过阈值合并与滴水算法分别处理,能够有效提高分割准确率。针对卷积神经网络识别模型缺乏大规模训练集,以及对分布外数据不友好的问题,提出原生集识别方法。通过收集过往答卷样本建立原生集,将之作为训练数据,以适应试卷环境下的样本分布,可以提高模型识别性能。针对原生集数据规模不足的问题,提出面向小规模手写体汉字数据集的数据增强策略。基于训练数据规模和样本类间数量平衡度对模型性能的影响,引入了 10种数据增强算法对原生集进行样本扩充和样本数量平衡,能够增加样本多样性并减弱过拟合问题。针对传统数据增强方法和DCGAN的不足,提出结合式数据增强方法X-DCGAN。该方法充分结合了传统数据增强方法和生成类方法的优点,既保证生成数据能够有效提高字符分类识别率,同时保证生成模型具备较强的生成效率和可移植性,有效改进了单一 DCGAN的生成方法。