英语语法纠错作为自然语言处理领域的一项子任务,可以为第二语言学习者提供语法错误的自动修改和文章润色等服务。现今主流的英语语法纠错方法以基于数据驱动或机器翻译的方法为主,相关标注语料的不足是影响此类方法性能的主要原因之一。因此,在面临标注语料匮乏的情境下,如何兼顾数据的质量和数量来训练数据增广模型显得尤为重要。预训练纠错模型的使用,对提高语法纠错模型的性能也具有重要意义。模型的预训练方法通常可以使用海量无标签的数据,通过学习输入句子中每个单词的上下文相关表示,达到提升下游任务的目的。本文主要探索如何结合不同数据增广方法的优势,为英语语法纠错任务自动生成训练数据;其次,探索一种基于机器翻译的英语语法错误纠正方法,与重排序策略相结合,共同提高模型的纠错性能。主要研究工作如下:1.设计一种新颖的基于机器翻译的数据增广策略。通过分析现有学习者语料库中错误类型的分布,对常见的错误类型建立与上下文相关性高的混淆集。使用混淆集并结合人工规则的方法对单语语料进行加噪处理,获得人工合成数据。最后将人工合成的训练数据与学习者语料库相结合,共同用于基于机器翻译的错误生成模型的训练。2.设计一种基于机器翻译的英语语法错误纠正模型,并采用一种新的模型优化方法提高模型性能。首先使用本文提出的基于机器翻译的错误生成模型合成训练数据,将其用于语法错误纠正模型的训练。然后,使用语法错误纠正模型纠正学习者语料库中的源句,将纠正产生的目标句与人工注释的标准句构成“错误-正确”句对,反馈输入到错误生成模型,进行交替训练。通过建立语法错误检测模型与语法错误纠正模型间的联系,提高模型的错误检测与纠正能力。3.设计一种语法错误检测模型,作为最终结果纠正、优化的工具。通过训练基于BERT的英语语法错误检测模型,与编辑操作特征和语法错误纠正模型的输出概率相结合,共同对纠错系统输出的候选句重打分,选择得分最高的候选句作为最佳结果输出。