信息化时代,以深度学习为代表的人工智能技术飞速进步并逐渐渗透到各行各业。随着近年来航空运输业的蓬勃发展,每日需要处理的飞行计划数据量日益增加,而航路作为飞行计划中FPL报文的重要组成项,由于其复杂的编写规则,目前仍然主要依靠人工进行错误检查。为提高工工作效率、节约人工成本,本文将深度学习引入航路报文纠错领域,采用端到端的神经机器翻译方法,将报文纠错过程看作错误航路到正确航路的“翻译”过程,从而实现报文自动纠错功能。本文根据实际工作需要,设计了一套带有检查和结果修正的航路纠错系统,以辅助相关人员进行报文航路检查。本文的主要工作与创新点如下:（1）航路数据集构建。本文收集了XX地区民航AFTN系统2019年1月至6月的报文作为原始数据,经数据提取和数据清洗获得本文所需FPL报文航路数据。本文通过在筛选得到的正确航路中添加噪声进行数据扩增。为使扩增的错误样本更接近于真实情况,本文结合实际错误类型,筛选形近词和基于word2vec词嵌入相似度计算得到的近义词建立混淆词词表,作为替换依据。同时针对实际工作中每月均有新增航路的情况,设计新增航路测试集验证模型的泛化能力。（2）基于深度学习的纠错模型实现。本文实现基于Transformer模型的航路纠错模型,针对航线展开问题使用了一种局部增强机制LE,并将GEGLU激活函数分别引入FFN层和局部增强机制中。实验证明LE和GELEU的引入能进一步提升模型在航路纠错任务上的性能,且使模型在新增航路上有更好的泛化能力。（3）结果修正机制设计。深度学习模型输出的航路不一定完全正确,为进一步提高纠错正确率,本文设计了针对模型输出的结果修正机制,通过将原始输入和模型输出中相异子片段进行打分,以判断每一处修改的保留与否。在打分标准的选择上比较了困惑度方法、频次修正的困惑度方法和本文提出的共现词打分方法,实验证明共现词打分方法能为模型纠错效果带来最大提升。（4）航路纠错原型系统设计与实现。基于上述内容,本文实现了一套完整的航路纠错原型系统。本系统共包括报文预处理、整体正确性检验、深度学习纠错、局部结果修正和报文还原五个模块,以实现对报文航路准确、高效的纠错。