当今社会,随着第二语言学习特别是英语学习越来越收到广泛关注,人们对计算机辅助语言学习系统的要求越来越高。错误读音检测与诊断是语言学习的重要组成部分,也是计算机辅助语言学习系统的关键技术。相比传统的老师纠错,计算机辅助的错误读音检测与诊断具有成本低和灵活性高等特点,受到越来越多人的青睐。计算机辅助的错误读音检测与诊断任务可以看作一项特殊的音素序列标注任务,即当识别的音素和标准音素（从呈现给用户的文本中获取）不同时,错误读音检测与诊断的目的就达到了。针对错误读音检测任务,本文首先探索了传统无监督错误读音检测方法的效果,并通过不同发音拟合度评估算法的对比分析,验证了专门针对错误读音检测与诊断任务设计模型的必要性。针对错误读音检测与诊断任务,本文构建了一套数据处理流程,包括音频特征提取,音素信息归一化和数据增强策略;设计了几种不同结构的单模态的音素序列标注模型。通过对比实验验证了数据增强策略的有效性,找到了效果较好的单模态音素序列标注模型结构。针对错误读音检测与诊断任务中文本信息是已知信息的特点,本文构建了融合文本信息的多模态音素序列标注模型。该模型通过注意力机制,将音频中每个位置的发音和文本信息形成一种对齐,从而达到增益每个位置上的音素分类的效果。实验结果表明,本文设计的多模态的音素序列标注模型的性能相比单模态的音素序列标注模型在各类指标上均有显著提升。根据数据集来自不同国家说话人的特点,本文在多模态音素序列标注模型的基础上,探索了通过融合母语信息提升模型效果的策略。本文主要通过构造多任务模型和多特征模型两种方式来实现这一目标。实验结果表明,母语信息能够在一定程度上提升音素序列标注模型的效果,而多特征模型是融合母语信息的较好方式。本文设计的模型是一个融合文本和母语信息的错误读音检测和诊断模型,在本文的对比实验中,相较于对比模型,本文设计的模型在开放数据集L2-ARCTIC上取得了对比模型中最好的效果。