在已经到来的Web 2.0时代,搜索引擎在互联网上扮演了越来越重要的角色,而日益增多并且成熟的互联网用户对搜索引擎的要求也越来越高,其功能也在不断丰富和完善当中,输入自动检查纠错功能就是一项非常重要的附加技术,并且已经得到了较为广泛的应用和推广。对于中文搜索引擎来说,输入自动检查纠错功能是指,用户在输入关键词进行搜索之后,如果搜索引擎在返回结果中计算出与此关键词相似的另一形式(如词组中出现同音不同字,或者某一错别字现象)得到大量的搜索结果,用户将会在搜索结果页面看到系统提供的推测到的关键词项。针对以上问题,首次将一种完全通过分析上下文统计信息的方法引入搜索引擎的输入纠错技术中(未见文献报道),根据中文语言的特点,对中文语料库建立了N-gram统计语言模型,并且对其进行了详细的分析,确定了语言模型所必需的参数,以及对其进行了优化处理,使其更加接近真实情况下的语言。研究中引入了TF/IDF权重计算方法,将初步统计语言模型得出的纠错检查结果再次计算比较,最终得出优化的纠错结果。以上所提出的理论模型,在以Nutch和Hadoop为基础搭建的分布式搜索引擎平台上进行了实验验证,采用了不同规模数量级的语料库(数量级从100K左右到5个GB左右),将检查纠错的统计分析和比较结果通过图表的方式进行展现,验证了完全通过上下文统计信息来对进行中文搜索引擎的输入检查纠错是能够取得较好的效果的,并且上下文语境信息越多,纠错的召回率和准确率也就越高。