作文是评估二语和外语学习者语言学习成果的有力工具。近年来随着计算语言学、自然语言处理和深度学习技术的蓬勃发展,作文自动评分在模型构建的可解释性和泛化能力方面得到显著提升。但现有研究在以下方面仍亟待改进。（1）传统特征提取方法:议论文写作是大规模考试中最常见的文体,绝大多数研究注重探讨与议论文整体作文质量相关的语言特征。很少有研究探讨与中国英语学习者不同文体、不同评分维度作文质量相关的语言特征。此外,学者们认为基于英语母语者的作文自动评分系统并不适合中国英语学习者,因为中国英语学习者在不同文体、不同评分维度层面与作文质量相关的语言特征往往不同于英语母语者。且在模型构建中以线性回归方法为主,提取的语言特征有限,导致模型的性能和泛化能力较低。（2）神经网络方法:基于监督学习的自动评分模型通常需要大量标注数据,然而目前公开可用的多维度评分语料库数据匮乏。预训练语言模型和多任务迁移学习凭借从大量数据中预先学习通用的知识表示和底层信息共享提升模型的泛化能力和性能,但是很少有研究探讨其在多维度作文评分模型构建中的有效性。（3）融合方法:尽管基于神经网络方法,模型性能和泛化能力得到显着提高,但深度学习“黑匣子”中提取的语言特征仍然未知,存在解释力不足的缺陷。研究者们尝试通过融合传统特征提取方法和神经网络方法的优势构建作文自动评分模型,却仅提取有限的与作文总体评分相关的表层语言特征,忽视与分项式作文质量相关的细粒度特征。针对上述问题,本研究基于预训练语言模型BERT和细粒度特征的融合方法,构建适用于中国英语学习者的多维度作文自动评分模型。通过融合传统特征提取方法和神经网络方法的优势,提升中国英语学习者多维度作文自动评分模型的可解释性和泛化能力。首先,利用前沿的语料分析软件,提取中国英语学习者各维度的细粒度特征指标。通过标准化、正态分布、多重共线性与主成分分析对各维度特征指标进行优化。针对中国英语学习者不同文体（议论文、说明文和记叙文）,探讨与写作任务完成情况维度、连贯和衔接维度、词汇丰富程度维度、语法多样性与准确性维度以及整体评分维度相关的细粒度特征。在确定不同文体模型的各维度输入特征之后,本研究采用线性和非线性算法分别构建基于传统特征提取的模型,结果表明基于随机森林回归的非线性作文自动评分模型最优,其在各文体和各评分维度建模中都达到最高的绝对准确率。其次,本研究通过预训练语言模型BERT和多任务迁移学习方法将多文体和多维度的底层信息共享以此提升模型性能。与传统特征提取方法相比,神经网络方法不仅能通过多任务共同学习来增强目标域的泛化能力,而且避免手动特征提取导致的文本信息丢失问题。多维度评分任务结果表明,BERT-MTL-finetune的模型性能最优,其绝对准确率在多维度评分任务达到82.7%至91.2%。在多项式评分任务中,BERT-MTL-finetune通过共享各评分维度的底层信息提升模型性能;在多文体评分任务中,BERT-MTL-finetune通过增加的样本量和各文体的共享底层信息提升模型的性能和泛化能力。最后,本研究通过融合BERT迁移学习和细粒度特征的优势,提升中国英语学习者的多维度作文自动评分模型的可解释性和泛化能力。多维度评分任务结果表明,融合方法BERT-MTL-finetune+Features优于神经网络方法BERT-MTL-finetune。绝对准确率在各评分维度达到91.2%至96.9%,临近准确率在所有评分维度达到100%。BERT-MTL-finetune+Features通过不同文体和评分维度的底层共享表示提升模型的性能和泛化能力。与神经网络方法对比结果表明,细粒度特征对于预测中国英语学习者不同文体的写作质量是有效的。其次,为考察各维度特征缺失对模型总体性能的影响,依次对各维度特征进行删减,结果表明,写作任务完成情况这一维度的语言特征的缺失对模型的性能影响最大。词汇丰富程度这一维度的缺失对模型的性能影响最小。通过与目前中国英语学习者作文自动评分系统的对比表明,本文所提出的多维度作文自动评分模型对于评估中国英语学习者不同文体和不同评分维度的写作质量是有效的。本研究将传统特征方法和神经网络方法相融合,构建中国英语学习者多维度作文自动评分模型,为揭示深度学习“黑匣子”中的语言特征以及利用预训练语言模型进行多维度作文自动评分任务的相关研究提供新思路。此外,研究结果对探讨中国英语学习者在不同文体、不同评分维度层面与作文质量相关的语言特征研究具有重要的理论意义。同时,外语教师可以根据不同文体、不同评分维度的语言特征反馈,进行多元化、个性化的写作教学。最后,本研究对语料库语言学领域也具有较高的应用价值,可为构建具有中国英语学习者多维度写作语料库的建设提供建议。