近些年,随着汉语学习者的人数逐年上升,与之相关的汉语水平等级考试(HSK)的需求也在不断增加。目前HSK考试的作文部分还是采用人工评分方式进行,该方式虽然效度良好,但也存在着效率低、成本高等问题。而自动作文评分技术则可以有效避免上述问题,并且该技术相比于人工评分,还具有中立性、客观性等诸多优点。本文的最终研究目的是实现可用的HSK作文自动评分系统。作文自动评分首先是一个多分类任务,在机器学习领域针对多分类任务的算法除线性回归外,还有支持向量机(SVM)、朴素贝叶斯等。随着深度学习技术的不断发展,人工神经网络技术在自然语言处理领域的应用也得到了惊人的表现,这对HSK自动作文评分的研究提供了较好的技术支持。以往的HSK作文评分研究大多停留在采用基于线性回归的方法去计算不同指标与作文分数的相关性上,虽然都取得了较大发现,但是线性回归方法相较于支持向量机、朴素贝叶斯、深度学习等技术在HSK作文数据集上的表现孰优孰劣,并没有相关研究。基于这样的研究空白和问题,本文首先收集了来自北京语言大学研发的“HSK动态作文语料库”数据集。其次,在该数据集的基础上,本文分别利用多元线性回归技术、支持向量机技术(SVM)和LSTM深度学习技术训练了三种模型。通过三种模型对比,以SVM与LSTM方法建立的评分模型都在某一特定作文分数档的数据集上有最佳的表现,而在其他档的数据集上表现则很差。以多元线性回归方法为基础建立的评分模型在中高分档的作文数据上表现最佳,在其他分档的数据上的macro-F1值主要集中于0.4至0.5区间。因此,本文得出结论,多元线性回归模型最适用于HSK作文自动评分任务。最后,本文进一步将基于多元线性回归的评分模型部署至Web端,将学界有关于此的理论技术性研究转变为实际可操作的应用。