文本中的拼写错误和语法错误在日常生活中十分常见,这些错误通常是由语言使用者的书写、自动语音识别、光学字符识别等原因引起的。文本纠错技术可以自动识别出文本中的拼写错误和语法错误,具有重要的研究意义。中文文本纠错技术对于快速校验海量电子文本、帮助中文初学者学习中文、保证下游任务的输入准确性等方面都有着重要的保障作用,并且在搜索引擎、文章自动评分、光学字符识别等许多与人们生活息息相关的应用中都发挥着重要作用。本文关注中文的拼写检查和语法检查领域,对中文拼写检查（Chinese Spelling Check,CSC）任务和中文语法错误诊断（Chinese Grammar Error Diagnosis,CGED）任务进行了深入研究。本课题的研究工作如下:1.字音字形知识增强的中文拼写检查。中文文本中错别字多由字音或字形相似导致的。本工作关注了这一问题,使用GRU对字符的拼音和仓颉码进行编码,使模型在对语义建模的同时,能够对字符的字音字形相似性知识进行建模。SIGHAN 2014和SIGHAN 2015上的实验结果表明,该方法比基线模型有更好的性能,证明了方法的有效性。2.基于预训练的字音字形知识增强的中文拼写检查。在前一部分的基础上,本课题期望语言模型在预训练期间也能够学习到对于CSC任务重要的知识,如字符间的相似性信息等。本工作设计了更适用于中文拼写检查任务的Mask策略和预训练任务,缓解了预训练任务和下游任务不一致的问题。SIGHAN 2014和SIGHAN 2015上的实验结果表明,本工作取得了最先进的性能,证明了该方法的有效性。3.基于多阶段训练和编辑级别投票的中文语法错误诊断。该方法中包含三类模型用于处理不同的问题:中文语法错误检查模型、中文语法错误纠正模型、中文拼写错误纠正模型。本工作采用编辑级别投票的方法进行模型集成,融合上述三类模型的结果。此外采用包括一个预训练阶段和两个微调阶段的多阶段训练策略。与以往的研究在CGED 2020测试数据上报告的指标的对比中,本工作在所有级别都取得了最高的F1值,证明了该方法的有效性。尤其是在中文语法错误检查子任务上,本工作的单模型取得的F1值高于以往研究的多个模型集成的结果。本文的研究和实验是中文拼写检查和中文语法错误诊断技术的进一步尝试。实验结果表明,本文在拼写层面和语法层面提出的方法都能取得最先进的性能,并且超越了一些以前的工作,验证了模型的有效性。