随着移动网络和Web2.0技术的快速发展,互联网中积累了海量用户文本数据,其中蕴含巨大商业价值。但是,文本数据爆炸式增长往往伴随着文本质量的快速下降,且文本数据的海量化与人工文本纠错高代价之间很难平衡,因此如何实现自动化中文文本纠错对提升文本质量具有重要的学术意义和商业化价值。通常,中文文本输入错误会导致错误字符与上下文语义不一致等问题而严重影响文本语义理解,而以往基于字序列的预训练语言模型（如BERT等）忽略了细粒度字符特征（如字间间隔、相似字符等）,导致其在进行中文文本纠错时性能受限。因此,提出了两种不同的基于多粒度先验知识的中文文本纠错模型。具体相关工作内容如下:（1）基于词级先验知识的中文文本纠错模型,主要考虑将不同粒度的先验知识（如分词信息、词级信息等）引入模型,同时采用基于双向长短期记忆循环神经网络的文本编码方式和基于二次过滤的字粒度句级文本纠错解码器,以提升模型错字识别能力及错字纠错能力;（2）基于字级相似度特征的中文文本纠错模型,主要考虑利用字符细粒度相似特征（如字符拼音/笔画序列相似度等）结合BERT模型进行中文文本纠错,以有效提升模型在文本纠错阶段候选字符的覆盖度、灵活性及领域通用性,同时利用自编码器和残差模块进一步优化模型性能。通过在常用文本纠错数据集上实验显示,相较于未引入多粒度先验知识的中文文本纠错模型,所提出基于词级信息先验知识的中文文本纠错模型在纠错评价指标F1上提升6.8%,所提出基于字级相似度特征的中文文本纠错模型在纠错评价指标F1上提升3.0%,充分显示了两种不同基于多粒度先验知识的中文文本纠错模型在文本纠错任务上的有效性。