手写汉字评价是根据手写汉字与标准汉字特征之间的相关性,实现汉字的评估以及提出如何提高书写水平建议,其在中小学阶段发挥着重要作用,能有效辅导学生理解手写汉字的缺陷进而提高手写汉字的书写质量。而数据到文本生成任务恰好可以利用不同手写汉字特征之间的相关性作为输入,得到手写汉字评价。本文通过总结数据到文本生成方法的现状,分析生成文本与模板的关系,结合基于深度学习的文本生成相关技术,进一步思考如何将深度学习有效地应用到基于模板提取的手写汉字评价自动生成任务中。（1）基于隐半马尔科夫模型（Hidden semi-Markov Models,HSMM）与复制机制为手写汉字评价提取模板。根据手写汉字特征生成流畅且可控文本的关键在于如何获取质量较好的模板。人工构建的模板根据特定领域可能出现的情况构建相对应的模板,进而可利用手写汉字特征挑选合适模板生成评价,而基于神经网络的文本生成,无法直接操纵内容选择与生成,存在输出文本中频繁出现数据记录重复等问题。为了克服此弊端,本文使用隐半马尔科夫模型提取手写汉字评价模板,可提高生成文本的可控性,并且利用复制机制解决分段的频率与其在模板中的重要性问题,有效提升了生成评价文本的质量。（2）在隐半马尔科夫模型与复制机制的基础上融入基于注意力机制的双向长短期记忆网络（Bidirectional Long Short Term Memory,Bi LSTM）,可有效提高生成模板的准确性。由于过长的评价文本信息经过长短期记忆网络（Long Short-Term Memory,LSTM）存在信息获取不全的问题,而基于的注意力机制的双向长短期记忆网络能够克服以上弊端,并且在切分评价文本时对手写汉字评价文本中重要信息赋予较大的权重值,提高了生成模板的准确性,进而提高生成文本的质量。（3）针对不同数量的手写汉字特征偏差值生成评价文本,从多个角度分析实验结果。文本生成过程中,当前词语的生成依赖于之前已经生成的词语即自回归模型（auto-regressive,AR）,但此条件限制了文本生成的速度,由此产生了非自回归模型（Non-auto-regressive,NAR）。根据以上两种不同的生成方法,验证在不同数量的手写汉字特征偏差值下,不同模板抽取方法对评价文本生成的影响,证实本文方法的优势。进一步地,使用文本生成常用评价指标BLEU-4、CIDER、METER、ROUGE进行评估。实验表明,本文方法在10种手写汉字特征偏差数据集上,采用BLEU-4评价指标,非自回归与自回归生成的文本分别达到了0.58、0.59,在4种手写汉字特征偏差数据集上分别达到了0.56、0.58。