要开发一个试卷批改编程，您可以遵循以下步骤：
需求分析
确定系统需要实现的功能，例如学生提交作业、教师批改作业、统计分析成绩等。
系统设计
设计数据库结构来存储学生信息、作业信息、提交信息和批改信息。
设计用户界面，使学生和教师能够方便地提交作业和查看批改结果。
技术选型
选择编程语言，如Python、Java等。
选择合适的框架和库，例如Python的TensorFlow或OpenCV，Java的Swing或JavaFX。
图像识别和机器学习 （如果适用）：
使用卷积神经网络（CNN）进行图像识别。
训练模型并保存，以便后续调用。
自动批改逻辑
读取学生答案和标准答案。
实现答案比较算法，如字符串匹配、数字计算等。
根据比较结果计算得分。
输出评分结果。
系统实现
编写代码实现上述逻辑。
集成数据库操作、用户界面设计和系统逻辑。
测试和优化
对系统进行测试，确保其功能正常且性能良好。
根据测试结果进行必要的优化。
部署和维护
将系统部署到生产环境。
定期维护和更新系统，以适应新的需求和技术变化。
```python
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
加载MNIST数据集
mnist = input_data.read_data_sets（"MNIST_data/", one_hot=True）
创建卷积神经网络
x = tf.placeholder（tf.float32, [None, 784]）
y_ = tf.placeholder（tf.float32, [None, 10]）
W = tf.Variable（tf.zeros（[784, 10]））
b = tf.Variable（tf.zeros（））
pred = tf.nn.softmax（tf.matmul（x, W） + b）
定义损失函数和优化器
cost = tf.reduce_mean（-tf.reduce_sum（y_ * tf.log（pred）, reduction_indices=1））
optimizer = tf.train.GradientDescentOptimizer（0.01）.minimize（cost）
训练模型
for i in range（10000）:
batch_xs, batch_ys = mnist.train.next_batch（100）
sess = tf.Session（）
sess.run（tf.global_variables_initializer（））
sess.run（optimizer, feed_dict={x: batch_xs, y_: batch_ys}）
if i % 100 == 0:
print（sess.run（pred, feed_dict={x: batch_xs}））
保存模型
saver = tf.train.Saver（）
saver.save（sess, "my_net/save_net.ckpt"）
```
请注意，这只是一个简单的示例，实际的试卷批改编程可能需要更复杂的逻辑和更多的功能。您可以根据具体需求调整系统设计和技术实现。