搜索引擎已经成为了人们生活中必不可少的一部分,提高搜索引擎效率,使用户能够更快的找到自己想要的信息是一项重要的工作。如果用户输入的查询词中存在错误,那么显然很难得到令人满意的结果。在搜索引擎中,有很大可能性是在查找不熟悉的领域的内容,比起其它文本输入,更容易出现输入错误。许多传统的纠错模型都存在一些缺陷。如,无法对各种错误类型进行统一建模,往往针对不同的错误进行分别纠错,再通过pipeline的方式结合,这种方式往往会造成错误积累,一种错误的纠错效果很好,但多种错误却并不理想。还有很多数据驱动的学习型算法,对于标注数据的依赖太大,在查询纠错领域无法找到足够的训练数据。针对以上问题,本文主要提出了使用一种模型对多种错误进行统一建模处理,并且充分利用了无标注数据中的知识,进行知识迁移,可以有效提升模型的效果。最后,针对中文标注数据集的欠缺,提出了一种自动生成标注错误语料的方法,从而进行中文纠错的研究。本文的研究的具体内容主要有以下两个方面:1.提出了一种基于字符的端到端模型,主要使用基于attention机制的Seq2Seq模型,并融合了无标注语料上训练的神经网络语言模型,缓解了对标注数据集的依赖问题。端到端的模型可以对不同的错误类型进行统一建模有效改善了传统方法的缺陷。实验表明,在公开的英文查询纠错数据集上,模型可以取得良好的效果,attention机制和神经网络语言模型可以有效提升纠错模型的效果。2.针对中文查询纠错领域,标注数据的严重不足,本文提出了一种基于规则和自动语音识别相结合的训练语料自动生成方法。根据用户输入习惯与发音特点,模拟出用户的输入错误,同时也通过统计和深度学习方法,生成了更广泛的错误类别。实验表明本文提出的方法同样可以在中文纠错中取得良好的效果,语言模型可以有效提升纠错模型的效果。同时,实验也表明了生成更广泛的错误类别,可以提高训练数据的质量,对模型的泛化性能有着一定的提升。