中文文本纠错由来已久,研究方向可大体可分为拼写纠错和语法纠错,自中文语法错误诊断大赛（Chinese Grammatical Error Diagnosis,CGED）任务集首次提出,并将中文纠错归纳为缺失、选择、冗余、排序四种错误,围绕CGED数据集并结合深度学习模型便成为了文本纠错的研究热点。而CGED最新的研究进展中,其中获得最优效果的模型采用了将Res Net集成到编码器中的多层双向Transformer编码器,并在检测级、识别级、定位级、纠错级四个基准中分别获得了F1值0.9122、0.6736、0.4041、0.1891的成绩。本文主要研究定位级,从最新研究也可以看出,在定位上效果仅能达到F1值0.4041的效果,完全不具备应用性,可见中文语法错误诊断仍然有很大的提升空间。其中效果得不到太大提升的主要原因在于中文文本作为非结构化数据,具有极其复杂的语法格式和各种语言表达特性,让计算机理解中文本身就是一项困难的研究。而目前广泛采用的词向量技术来提取中文文本特征也因特征缺失,欠拟合等问题导致效果不佳。此外机器学习在序列标注任务下存在的特征学习不足等问题,对中文语法错误诊断的效果进一步弱化。针对以上问题本文将中文语法错误诊断问题转换为序列标注问题,并结合统计语言模型、词嵌入技术和深度学习模型来提高模型的效果,最终对四种错误类型的检错都取得了较为稳定的效果。本文在原CGED的数据集基础上通过对相关政法公众号推文的爬取,获取了海量的政法语料文本,通过对清洗后的政法语料文本进行N-Gram模型的训练,最终得到效果较好的用于政法领域文本拼写纠错的模型。本文首次提出基于XLNet BILSTM CRF的中文语法检错模型,并优化了BERT Bi LSTM CRF模型。通过设计多组传统的序列标注方法来进行对比实验,其中对比实验包括:CRF、HMM、One Hot Bi LSTM CRF、BERT CRF。相比之下,提出和优化的模型效果有显著提升,分别采用BERT和XLNet词嵌入方式的BILSTM CRF模型对中文文本的“选择错误”的定位级最优F1值分别达到0.3402和0.5455的成绩,后者仅在“选择错误”上超过了国际最新研究中F1值0.4041。并且其在识别定位准确率上也达到了0.75的效果。最后通过对N-Gram模型和深度学习模型的集成和优化,结合前后端技术搭建完成了中文文本检错系统。