写作可以培养学生的沟通和思考的能力,而对于作文的人工评分与评语却存在效率低,成本高且主观性强的特点。随着自然语言处理技术的快速发展,对中文作文处理的相关技术越来越受到研究人员的关注,但是,目前已有的作文批改系统存在一下几个问题:1)分析方法过于浅层;2)特征提取不够全面;3)评分可解释性差。针对以上问题,本文对作文自动评分以及评语生成技术进行了探索。本课题的研究意义一是对作文评分进行了多维度划分并使用传统方法与深度学习相结合的方式对不同维度进行分析,二是对作文进行了不同方面的评语生成,提高了作文批改系统整体的可解释性,减少了作文分析的人力成本。本文的主要研究内容如下:（1）将作文基础等级划分为流畅度,集聚度和丰富度三个维度;搭建bigram语言模型并利用困惑度指标对流畅度进行评分;尝试使用word2vec和wordnet词汇相似度计算方法与不同的词汇链构建算法进行词汇链生成,并通过单篇作文的词汇链个数和最长词汇链长度特征对集聚度和丰富度进行评分。（2）利用预训练语言模型BERT对作文发展等级中的文采进行评分;提出了对评语语料进行情感分析的方式对数据集进行是否具有文采的标注;实现了逻辑回归以及SVR作为基线模型并与BERT进行了对比,证明了预训练语言模型在复杂问题处理上的优势。（3）受到细粒度情感分析的启发,对人工评语语料进行了依存句法分析和规则处理后提取出来具有使用意义的情感词对;使用Boson NLP情感词典以及人工分类的方式对评论词对进行了划分并构建了评论情感词库。（4）搭建了基于Seq2Seq的作文评语生成模型;使用评论情感词典构造了评论伪句作为模型输出并加入了否定词以及程度副词加强评语真实性;在Seq2Seq模型中加入了Attention机制增强了模型的性能;在隐变量中拼接了分数额外信息加强了模型对分数的敏感度;与基线模型进行对比证明了长期以来问题的解决以及双向语言模型等处理方式的有效性。