写作是语言学习的过程中非常重要的一个环节。国内外设置了各种大型考试检测学生的语言综合运用能力。作文评分通常是一件耗时长、主观性强的任务,同时也需要阅卷者在短时间内迅速的给出评分结果。为了减轻教师的负担,同时提高评分的客观性,机器学习方法被引入到了作文自动评分任务中。本文针对作文自动评分过程中的两个关键问题进行了深入研究,并且提出两个新的方法进行改进。主要工作如下:针对当前作文自动评分方法中,由于作文评分规则抽象导致难以准确评分的问题,提出了基于样例学习的作文自动评分方法。在这个方法中,一共有三个模块,分别是主题相关性模块、语义连贯性模块和样例学习模块。前两个模块通过注意力机制提取作文的相关性和连贯性特征,在样例学习模块中,本文设计了一个动态语义匹配模块。通过在已有的样本中选取经典的文章作为样例,利用动态语义匹配模块进行相似度计算,能够利用已有的文章进行辅助评分。本文在国际公认的ASAP数据集上进行了对比实验,通过实验表明,本文提出的样例学习方法能够优于基线模型。针对实际应用中,新的主题下已有的评分样本数量较少的问题。本文提出使用预训练语言模型和多任务学习的方法解决这个问题。本文提出了一个基于多任务学习的作文自动评分框架。在这个评分框架中,骨干网络采用预训练的BERT模型,将骨干网络的输出送入其他任务层中。本文设计了两个辅助任务:逻辑性判断任务和主题分类任务。通过逻辑性判断任务增强模型对句子顺序的感知能力,通过主题分类任务提高模型对主题相关知识的提取能力。通过这两个辅助任务,能够利用其他主题的样本对模型的特征提取能力进行增强,让模型能够在少样本的情况下也能很好的对作文进行评分。最后本文在少样本的条件下进行了实验,实验结果表明本文提出的多任务学习方法能够有效地在样本数量较少的情况下对作文进行评分。在极端情况下,训练样本仅有原样本数的10%的情况下,模型的准确度仅下降了13%。与传统方法相比,本文提出的基于多任务学习的作文自动评分方法在少样本条件下具有显著的优势。