伴随着绘画教育软件的普及,对用户作品进行智能评价,有助于引导和督促用户自我学习,增强产品的用户黏性。对手绘图像作品进行质量评价的关键问题是特征的抽取和评分模型的构建。由于手绘临摹图具有随意性大、位置不确定,且粗细不一等特点,特征抽取需要能够捕捉有临摹图的关键特点,评分模型则需要符合或接近人类判断,现有模型的性能普遍不理想。为此,本文主要针对线条临摹图的质量评价进行深入研究,提出了基于方向梯度直方图的多尺度特征抽取和改进rankingSVM学习的临摹图质量评价算法。具体工作包括：(1)设计了一种多尺度HOG特征,有效刻画图像的整体的形状特征。目前主流的图像形状特征表示都是基于点特征的词袋模型,而这些局部特征点主要刻画的是局部纹理特征,并不直接描述全局形状信息,无法刻画手绘图关键特性。针对这一问题,本文从人的视觉认知角度出发,利用空间金字塔构造,构造基于HOG特征的多分辨率直方图,从粗细粒度层面捕捉线条临摹图的形状特征。实验证明,多尺度特征平均性能均优于单层HOG特征,且层次多的金字塔更能描述手绘图形状特点。(2)在学习阶段,通过增加样本特性的权重约束,提高了rankingSVM排序学习的准确率。目前将特征映射成数值的主流做法是将其转化为分类和回归问题。但这类做法不能有效融合了质量等级的相关信息。在本文中,我们通过修改了rankingSVM学习排序模型的目标函数,在能获得正确的排序的同时,相同图片间的排序值差距也更小,这对获得稳定分数评估具有重要作用。然后基于排序值的分布,提出高斯模型的分数评估方法。实验结果表明,该方法效果好于传统的多分类器和回归模型方法。