随着互联网的快速崛起,我国网络基础设施建设加快,网络发展为我国带来了千载难逢的机遇,但同时也带来了巨大的安全挑战。为保障我国网络建设长期安全有序地发展,国家提出了等级保护制度,并将其作为信息安全系统分级分类保护的一项国家标准。等级保护测评是等级保护工作的核心部分,提高测评工作的效率对推动网络安全发展有着重要的现实意义。本文在分析国内外自动评分研究的基础上,探索在等级保护测评数据上实现自动评分的方法。主要从文本相似度和文本分类两个角度进行可行性研究。在文本相似度上实验效果不甚理想,所以实验最终选择文本分类方法作测评报告自动评分的研究。文本所属的类别对应相应的分值,以此来实现文本的自动评分。论文主要完成工作如下:（1）构建测评记录数据集。等级保护测评数据属于非公开数据,数据集需要自己构建,文中所用数据由实验室提供的等级保护测评报告中整理而来,是信息系统实际安全状况的真实记录,并对其中敏感信息进行脱敏处理后用作训练语料。（2）基于支持向量机的自动评分,使用词袋模型表示文本,利用TF-IDF算法进行文本特征提取。为提升模型效果,另提出了基于N-gram改进的TIF-NG方法和基于信息增益改进的TIF-NG-IG特征提取方法。在分类模型上,还选取了朴素贝叶斯、决策树、随机森林等传统机器学习模型进行对比实验。（3）基于FastText的自动评分,使用词向量表示文本,将词向量与N-gram向量叠加来预测单词的类别标签。词向量使用低维稠密的向量表示文本,不仅可以解决词袋模型稀疏性造成的维度爆炸问题,还能从文本中学习到单词的位置信息,获得词与词之间的相似情况,解决词汇鸿沟问题。本文通过实验验证了文本分类方法在等级保护测评数据上具有可行性。实验表明使用TIF-NG和TIF-NG-IG方法提取特征对支持向量机性能有显著提升,精确率提升分别为4.3%和4.8%。就算法而言,FastText比支持向量机模型精确率提升了5.5%,且FastText运行时间远低于支持向量机。综合考虑,FastText模型更适合用作等级保护测评报告自动评分。