Diese Arbeit präsentiert einen tiefen neuronalen Löser zur automatischen Lösung von mathematischen Textaufgaben. Im Gegensatz zu früheren statistischen Lernansätzen übersetzen wir mathematische Textaufgaben direkt in Gleichungsvorlagen, indem wir ein rekurrentes neuronales Netzwerk (RNN) verwenden, ohne auf aufwändige Merkmalsingenieurtechniken zurückgreifen zu müssen. Darüber hinaus entwickeln wir ein hybrides Modell, das das RNN-Modell mit einem ähnlichkeitbasierten Abrufmodell kombiniert, um zusätzliche Leistungssteigerungen zu erzielen. Experimente an einem großen Datensatz zeigen, dass sowohl das RNN-Modell als auch das hybride Modell die derzeit besten statistischen Lernmethoden für die Lösung mathematischer Textaufgaben erheblich übertrifft.