作文自动评分技术能够自动地对作文进行分析和评分,其已成为自然语言处理技术在教育领域应用的热点研究问题之一。自1966年提出以来,作文自动评分技术已成功地应用于美国教育考试服务中心、中国大学生英语等级考试等大型作文考试中,对作文评分起到了较好的辅助作用。作文自动评分不仅节约了人力物力成本,同时还大幅提高了作文评分的公平性和准确性。相比于传统的机器学习方法,基于深度学习的神经网络方法在作文评分任务中取得了较好的性能。但是,作文评分是一项复杂的人类行为,需要从不同层面对作文进行综合的评价,如作文主题、用词、修辞等都对作文的得分产生影响,因此单一神经网络模型的性能往往并不理想。其次,深层次的神经网络模型,其参数数量较多,在模型训练过程中需要更多的计算资源。另外,虽然预训练词向量在许多任务中取得了较好的表现,但是在作文自动评分中性能并不理想。针对上述问题,本文首先研究深层次和浅层语义特征对作文评分的性能影响;其次,研究了一种端到端的轻量级作文自动评分模型;再次,对预训练词向量带来的语义偏差问题进行了深入探讨;最后,本文在总结了前三部分作文自动评分方法优势的基础上,提出了一种基于异构网络融合的作文自动评分方法。本文的主要研究内容包括以下四个方面:（1）针对目前作文自动评分方法割裂了深层和浅层语义特征,忽视了多层次语义融合对作文评分影响的问题,本文提出了一种基于多层次语义特征的神经网络模型。首先,采用卷积神经网络捕获局部语义特征,采用混合神经网络捕获全局语义特征,从深层次获取作文语义特征;其次,利用篇章级的作文主题向量获取主题层特征;同时构建神经网络模型难以挖掘的语法错误等浅层语言学特征;最后通过特征融合对作文进行自动评分。实验结果验证了该算法在作文自动评分任务中的有效性。（2）针对当前基于深度学习的作文自动评分方法效率不足,以及特征工程的局限性,本文提出了一种基于注意力词嵌入网络的轻量级作文自动评分方法。该方法采用端到端的训练方式,不包含任何的特征工程,参数少且易于训练。实验结果表明该模型可以有效地对作文进行自动评分,且模型效率得到显著提高。（3）研究发现,由于预训练词向量的训练语料和作文语料在语义表达、语言风格等方面有较大区别,使用预训练词向量会带来语义偏差的问题。因此,本文提出一种基于混合词向量的作文自动评分模型,该方法同时包含预训练词嵌入和自训练词嵌入。实验结果表明本文模型可以有效缓解这种语义偏差问题。（4）针对目前作文自动评分方法缺少对不同结构神经网络的融合,以及忽视不同结构网络所提取的作文语义可以相互补充的问题,本文在总结了前三部分方法优势的基础上,提出了一种基于异构网络融合的作文自动评分方法,包括卷积神经网络、循环神经网络和自注意力网络。此外,通过对不同规模结构的预训练词向量进行实验,分析了不同预训练词向量和自训练词向量对作文自动评分性能的影响。