随着我国移动网络行业和大数据技术的快速发展,各类互联网应用层出不穷,导致互联网用户规模呈指数级增长,因此累积了海量非结构化中文文本数据。海量中文文本数据中蕴含了丰富的语义信息和重要的语义知识,但同样也存在各种人为输入错误导致的数据噪音,从而降低了文档整体平均质量,也间接影响了对海量文本数据进行数据挖掘的价值。但是,中文文本数据规模的海量化导致传统基于人工方式的文本质量评估和文本纠错方法存在巨大的时间开销,因此如何高效地对文本数据进行自动化质量评估和文本纠错是工业界和学术界重点关注的研究问题之一。近年来,中文文本纠错任务受到越来越多人工智能领域研究学者的关注,因此本文结合中文独有的语法结构和特性,重点研究面向金融领域的中文文本纠错问题,提出了一种基于语言模型的中文文本纠错方法,其具体工作包含如下三个部分:第一,中文文本数据预处理。综合分析金融垂直领域文本纠错数据的分布规律,通过数据过滤和数据增强等方式提升数训练数据的质量和利用率,结合训练数据分析得到领域混淆字典,从而引入垂直领域知识信息,然后对金融垂直领域语料进行预处理,用于训练N-gram语言模型和微调BERT预训练语言模型,学习领域化知识。第二,文本检错模块。针对文本纠错问题,本文采用深度学习的方法对待纠错文本进行异常点检测,并进行了对比实验。结合Word2Vec方法、双向LSTM模型和BERT语言模型等深度学习方法提出新的WL-BERT文本检错模型,通过融合不同语义的词向量对句子中的每个字符做二分类预测得到异常点位置,达到了本文最优的文本纠错效果,检错F1值达到0.849。第三,文本纠错模块。主流的传统模型是基于N-gram的纠错模型,但是其长距离依赖建模能力和上下文理解能力较差,同时传统的深度学习模型也无法很好地引入垂直领域知识,所以本文将N-gram语言模型和BERT语言模型模型进行集成操作。首先对于检错模块得到的待纠错句子异常点位置进行N-gram模型纠错,结合领域混淆字典得到纠错候选集,判断不同句子的困惑度进行纠错操作,接下来采用BERT语言模型进行纠错,得益于attention机制强大的上下文理解能力和预训练语言模型无监督学习得到的中文知识,能够针对每个位置更好地给出符合上下文语境的纠错候选集,经由置信度-相似度过滤器模块进行文本的纠错操作。实验结果表明,本文提出的模型文本纠错性能最好,F1值最高能达到0.824,比单独采用BERT模型的纠错性能提升了4.1 F1。通过模型集成的方法,不仅利用了深度学习强大的学习、泛化能力,还引入规则化的混淆字典,结合不同方法的优点,从而达到了更好的中文文本纠错效果。