在英语考试中,作文占据了很大比重,而目前的英语作文评分主要采取人工方式,虽然是由专业的英语老师进行评分,但目前人工评分方式仍然存在一定的不足,比如耗费大量人力和物力、主观性强、误差大,容易受到阅卷老师个人喜好和评判标准的影响、反馈时间较长等。而作文自动评分（Automated Essay Scoring,AES）相比于人工评分具有客观公正、成本低、反馈及时等优势,因此研究英语作文的自动评分具有重要意义。传统的作文自动评分方法主要通过人工抽取作文中浅层的词汇、句子以及语义特征,并利用机器学习模型对作文进行评分,特征工程的工作量很大,而且忽略了文章中更细粒度的特征。近年来,随着自然语言处理（Natural Language Processing,NLP）技术和深度学习的发展,将其应用到NLP领域的各个任务中,都取得了显著效果。因此针对传统作文自动评分方法的不足,本文将根据初中英语作文的评分标准,构建一个英语作文评分模型,并基于该模型提出了一种基于transformer编码器混合神经网络模型（Hybrid Neural Network based on Transformer Encoder,HNNTE）的作文自动评分方法。该方法利用transformer编码器模型挖掘文章的浅层语言信息、句法信息、语义信息以及主题相关度信息,从而构建一个较为完善的作文自动评分方法为用户提供客观的评分结果。文章主要研究以下内容:（1）研究英语作文评分模型的构建。从英语作文的评分标准出发,研究影响评分结果的作文特征,并构建一个包含浅层语言特征、句法特征、语义特征、主题相关特征等多维属性特征的作文自动评分模型,从而更全面地评估作文质量。（2）研究基于HNNTE的作文自动评分方法。传统的作文自动评分方法一般是通过抽取整篇文章的浅层语言特征和语义特征预测作文分数。而在实际的人工评分中,需要考虑的评分要素远不止这些,文章的深层语义信息、内容的逻辑连贯性、作文是否离题也是评分时考虑的重要方面。本阶段根据构建的评分模型,分别抽取作文的浅层语言特征、句法特征、语义特征、主题相关特征,其中浅层语言特征主要基于人工规则进行抽取,其它特征基于神经网络自动构建。模型训练过程中使用HNNTE模型对作文评分公开数据集ASAP进行实验,并将本文的HNNTE模型和现有的基线方法在二次加权kappa系数这个评估指标上进行对比实验,实验结果表明这种基于transformer编码器的作文自动评分方法相比于以循环神经网络为基础的评分方法,评分效果有了明显提升。（3）设计并实现作文自动评分系统。基于本文提出的英语作文自动评分方法,设计并实现一个作文自动评分系统,为用户提供实时的多维度分数反馈,帮助用户提升写作能力。