在传统的英语语法学习场景下,学习者对教师的依赖性很大。教育资源的稀缺决定了教师无法对学生所犯的所有语法错误进行纠正,这大大拖慢了学习者的学习进度。英语语法自动纠错方法可以帮助学习者摆脱教育资源的限制,显示出了巨大的意义。针对英语语法自动纠错方法的研究主要经历了三个发展阶段:基于规则的纠错方法、基于分类的纠错方法以及基于机器翻译的纠错方法。基于规则的纠错方法需要耗费大量的专家标注成本,基于分类的纠错方法和基于机器翻译的纠错方法的出现在很大程度上解决了这个问题。近年来提出的深度分类纠错模型较传统的基于统计分类的纠错模型有较大的进步,但有关深度分类语法纠错模型的研究仍然较少,其只能针对闭式类错误进行纠正的特性依然是一大缺陷。基于机器翻译的纠错模型能针对所有语法错误进行修正,但神经网络模型往往需要大量的语料数据才能得到充分训练,带有人工标注的训练语料的稀缺限制了基于机器翻译的语法纠错模型的纠错效果。针对上述问题,本文从两种思路对英语语法自动纠错算法进行探究。一是使用深度分类模型来进行语法纠错,另一种是将语法纠错问题当作机器翻译。首先,本文提出了一种新的深度分类纠错模型。该模型自下而上依次为词嵌入层、编码器层、注意力层以及MLP层。实验结果表明,新的深度分类模型能够更好地捕获句中的语义信息并进行纠正。同时,本文还通过制造伪错误语料的方式对深度分类模型的训练语料进行了扩充,实验结果表明,扩充训练语料的方式大大提升了深度分类纠错模型的效果。其次,本文对基于机器翻译的纠错模型进行了探究。本文对比了在不同机器翻译框架上的语法纠错表现,在本文的实验中,基于复制机制的Transformer结构在语法错误纠正上拥有更好的表现。本文还提出了一种新的制造平行句对的方式来扩充训练语料,并与随机扰动句子和反向语法错误生成这两种增广训练语料的方式对比。本文分别使用这三种方式生成的训练语料对模型进行预训练,并使用人工标注的语料进行精调。实验结果表明,本文提出的语法错误生成方法所生成的错误句子更贴近学习者所犯的错误,使用该方法产生的语料所训练的模型拥有更好的纠错效果。最后,本文将基于机器翻译的语法纠错算法在冠词错误、介词错误和名词单复数错误的纠错表现与基于分类的纠错算法相对比。实验结果显示,基于机器翻译的纠错算法在冠词错误、介词错误和名词单复数错误上都取得了更好的效果。