语法错误纠正是自然语言处理的一项重要任务,具有较高的研究价值和应用前景。近年来随着人工智能的发展,越来越多的自然语言处理任务取得了斐然的成果,而语法错误纠正的研究也凭借深度学习算法的优化以及硬件上的更新取得了显著的进步。在多个语法纠错的评测比赛中,研究人员不断地优化新的方法并取得了不错的效果。但是,在数据方面还是存在重要的问题,严重依赖公开的评测数据集,受限于数据的稀缺导致纠错模型无法突破性能的瓶颈。为了解决数据稀缺,纠错效果不佳等问题,本文工作从语法纠错任务的特性出发,研究针对特定任务的模型优化方法以及数据增强策略,实现纠错性能的有效提升,主要研究内容包括:(1)基于Seq2Seq架构的语法错误纠正模型。该项工作针对现有模型结构的不足引入了能够解决变长文本生成的Seq2Seq架构;提出了一种针对文本序列生成的马尔可夫链过程。进一步通过消融分析以及性能评测的实验,验证了模型各模块对纠错系统的重要作用。(2)基于增强多头注意力的语法错误纠正模型。该项工作利用多头注意力模块替换LSTM神经单元,从而提升了语法纠错模型的并行运算效率;进一步提出了动态残差结构,解决了模型深度引起的梯度消失问题,提升了 Seq2Seq纠错模型的性能;评测结果表明该方法在中文语法错误纠正数据上达到了最优的性能。(3)面向语法错误纠正任务的数据增强方法。该项工作针对语法纠错任务的特点,设计了两种定制化的数据增强策略。其一是基于规则的语料腐化方法,利用插入,删除与替换三种操作构造伪并行语料;其二是基于回译机制的数据增强方法,通过反转数据,训练错误生成模型并结合过滤策略,向单语数据中注入错误噪声扩大数据规模,对语法纠错任务提供了更加丰富的数据资源。(4)基于图神经网络的语法错误检测模型。该项工作从序列标注任务的性质以及图神经网络建模的优势两个角度出发,构建了错误检测模型的基本架构,提出了使用门控图神经网络对错误语句的依存句法树建模的方法,为错误检测提供了重要的信息特征,有效的提高了错误检测的性能。