随着计算机技术和大规模在线教育的发展,计算机程序设计课程的无纸化考试得到了广泛的发展,计算机自动评测的优势也日益明显。相比于传统考试,计算机自动评测不仅可以减少巨大的财力和人力的消耗,还能避免在人工阅卷过程中由于人的主观原因造成的误评分。目前,基于客观题的自动检测技术已经相当成熟,主观题的检测方法也有了一定的发展。本文主要的研究内容是程序设计语言编程题的检测方法,从编程题的查重到自动评分技术进行了研究。本课题的主要工作包括以下几个方面:第一,根据代码语言的特性,将代码单词分成六类:符号、字符串变量、标准数、整型和实型、错误符号、编译指示字,其次从词法分析识别单词开始,结合使用词频-逆向文件频率（TF-IDF）算法获取学生代码文件集中的文本特征值,再通过语法分析获取学生代码文件的抽象语法树,在抽象语法树的基础上,仿照哈弗曼编码获取学生代码文件的结构特征值。第二,在文本特征值和结构特征值的基础上,提出基于潜在语义空间的代码相似度检测。联合使用文本特征值和结构特征值构成代码向量,使用基于学生代码集的代码向量构成代码矩阵,对代码矩阵使用奇异值分解获取其潜在语义空间,再在潜在语义空间上使用余弦相似度获取学生代码之间的六个类别的六个相似度值。最后在三份学生的代码作业基础上通过调参和设置阈值的方式来判断学生的代码是否存在抄袭现象。实现了一种高效的程序代码集到特征矩阵文本特征的提取算法,为线上教学提供了更好的教学质量保障,并且通过七组学生的代码作业对该算法进行测试,实验结果表明程序代码集到特征矩阵文本特征提取算法是可行的。第三,考虑到目前程序代码的自动评分方法都是基于结果集的,评分标准单一且缺少对于代码效率的考量。针对这一问题,提出了基于长短时记忆网络（LSTM）的代码效率的评分分类算法。根据代码程序在执行和存储时所消耗的计算机资源,提出把代码执行时花费的时间、代码运行所占的内存大小、代码所占硬盘大小这三个参数作为代码效率评判的标准。根据这三个参数的初始值的大小对程序代码集进行一个初分类,然后根据初分类的结果针对这三个参数使用DS证据理论进行标签的制作,最后利用LSTM网络完成对代码的分类评分,并且通过使用注意力机制来加强分类的结果。研究结果表明该分类评分方法可以为自动化评分提供多样化的考核标准。