伴随着智慧教育产业的不断发展,师生对于作文自动评分（AES）的需求不断涌现。一套完整的作文评分系统需要实现从文字识别到文本评分的全流程,但现有研究成果忽略了识别和评分之间的关联性,也忽略了书写质量等视觉特征对于作文评分的影响,在这其中也隐含了如何将多模态特征进行融合建模的科学问题。另一方面,现有的研究多是针对扫描的高质量图像,一套可用的评分系统还需要解决自然拍摄场景下含噪图像的文本识别问题。因此,研究并开发一套完整的作文识别评分系统具有较强的学术价值和现实意义。本文针对上述问题展开研究,主要包括如下四项内容:（1）针对拍照场景下的含噪图像矫正问题,本文首先对纸面歪曲和拍摄倾斜等噪声现象进行分析建模,将图像矫正问题抽象建模为参数优化的机器学习问题。随后,本文提出了一种基于格线检测和含参转换模型的图像矫正方法。在真实拍摄数据集上展开实验,证明了该方法对多种文字识别模型的精度均有明显提升。（2）针对整页文本识别问题,本文提出了一种基于编码器-解码器架构的文本识别方法FPRNet。本方法是一种无需文本行切分的端到端方法并针对识别的泛化性和可用性进行优化。本方法提出的基于形状重塑的降维方法可以在降低模型参数的同时更好的保持解码有序性。（3）为了在评分阶段考虑卷面书写等因素,本文将识别阶段获得的高维视觉特征融入到了基于文本的评分模型中,提出了一种基于隐式对齐的多模态特征融合方式,更好的实现了视觉特征和文本特征之间的信息互补。基于此,本文构建了一种基于多模态特征的作文评分方法并在混合数据集上验证了有效性。（4）为了增强评分系统的可解释性,本文还实现了一种基于语言学特征的多维度评分方式,从用词复杂度、谓词搭配情况、逻辑表达等维度对作文进行评价。最终达到了与基于预训练模型相近的评分精度。将上述的拍摄图像矫正、整页文字识别、多模态多维度作文评分方法串联集成,最终实现了一个面向拍照场景的作文识别评分原型系统。