文字在当今社会中具有不容忽视的地位与作用。文字以电子刊物,报纸,以及社交平台等方式在人群中进行传递,给人们的信息生活带来了便利,同时这些庞大的信息也令人眼花缭乱。在这些海量文字中,错误的存在是非常普遍的,传统人工校对效率低、强度大、周期长等问题,显然不能满足文本校对的需求,因此,文本自动校对成为自然语言信息处理的关键技术研究热点。中文文本自动校对,主要分为两个步骤:文本检错和文本校对。经典的文本检错一般是以文本分词为基础的,有文本散串检错和文本互信息检错等方法,但中文文本分词会影响对文本的检错正确率;另外,常用的文本校对方法有N-gram模型,Markov模型等,但需要大规模语料的支撑。一般而言,文本校对与文本检错都是分开进行的,这样也增大了校对时间的开销。本文针对以上问题提出对文本形近字错误和文本非词错误的改进方法,并采用了文本检错与校对同时进行的校对方法。首先,针对形近字错误的检测与校对需要利用最小编辑距离法和笔形文字相似度法,构建文本形近字表,然后,再利用文本形近字表构建文本形近字候选矩阵,根据文本特征将相邻向量组合成词,得到文本的候选词;提出了基于上下语境的二元模型,用此模型计算出在文本中支持度最高的词组,得到文本的最佳候选词路径下的输出文本。其次,针对利用语言知识库的文本校对,即文本非词校对。本文的非词校对分为两个部分,第一部分是长词校对,长词的校对主要用模糊匹配的算法,对文本中的长词错误进行定位,再利用词库对文本进行校对;在这个过程中还用到了字典树索引来提高文本的检索速度;第二部分是文本中重字的校对,首先对文本重字和叠词进行了定义,然后将叠词和重字区分,利用叠词库将叠词过滤,最后再对文本中的错误进行定位以及校对。最后本文将这两种文本校对的方法,进行了综合和编程实现。通过真实数据测试得出了校对文本的召回率,准确率等指标,表明提出的方法具有良好的效果。