目前，基于统计的机器翻译方法得到广泛的应用，如软件本地化、翻译后编辑等领域。然而，受限于双语语料的规模和质量，当前的统计机器翻译系统仍然无法提供等同于人类的翻译质量，因此，在实际应用中，统计机器翻译系统一般作为辅助手段协助翻译后编辑人员工作，以提高工作效率。　　对译文中的翻译错误准确定位，且在一定条件下对翻译错误进行自校正，是提高后编辑人员工作效率的一个重要途径。针对该问题，本文提出基于监督学习的翻译错误自动检测和基于复述的错误自校正策略，用以改善统计机器翻译质量。　　课题主要针对机器翻译译文中出现的集外词与非集外词进行分类研究。对于集外词而言，可以直接从翻译结果中识别，然后用其含有翻译候选的复述(paraphrases)进行替换，从而达到显著降低集外词的概率。对于非集外词而言，将译文错误检测问题作为一个监督分类问题，即给定一组候选译文，从标注分类类别的数据集中抽取多个置信度特征，采用监督学习方法训练分类模型，然后将测试集候选译文中的单词分为“正确”与“错误”两类。最后，通过将错误的译文单词或短语映射到源语言端，并对该源语言词或短语进行复述表示，使得机器翻译系统的解码器在最优翻译候选选择时，可以搜索到更符合上下文环境的翻译候选，从而提高翻译质量，降低翻译错误率。　　在基于Moses的统计机器翻译基线系统上，本文以NIST2008作为开发集，NIST2005作为测试集进行了错误分类和错误自校正实验。实验结果表明，利用多特征组合方法可以显著降低分类错误率，提高译文错误预测能力；在利用复述改善机器翻译质量实验中，相对于基线系统，在NIST2008和NIST2005测试集上的实验表明，本文所提方法可提高0.57个BLEU点，有效提高了系统的翻译性能。