中文语法错误更正是近年来兴起的自然语言处理任务之一。语法错误包括一些使用错误及不符合语言习惯的错误。语法错误更正是针对于第二外语学习者书写的文本来说的。对于第二外语学习者来说,学习中文写作是必不可少的一项任务,也是比较困难的一项任务。通常,语法错误更正依赖于人工,学习者通过老师或者同学对文本的修改得到反馈,这是费时费力的,并且文本很难得到及时的更正。当前随着将中文作为第二外语的学习者越来越多,需要更正的文本数量的大量增加,人工的语法错误更正是不能满足需求的,因此建立自动的语法错误更正系统是必要的。随着大型的语料库不断开放,建立自动的中文语法错误更正模型逐渐被人们所重视。语法更正模型最初先使用语法错误检测模型检测错误再更正语句。随着深度学习的不断发展,序列到序列模型的应用,语法错误更正模型也发展成为直接进行更正的端到端的模型,这也让语法错误更正任务有了更大的挑战与前景。当前,中文语法错误更正任务依旧存在一些难点。中文句子结构错误的更正是难点之一。结构性的错误经常和句子表达的语义相关联。由于书写者的表述不清而导致语义不清,这使得结构性的错误很难被更改。数据不平衡是另一个难点。数据中的句子虽然是包含语法错误的,但是在一个语句中,正确的字相比于错误的字还是更多的,这使得训练过程可能存在偏差。本文主要研究中文语法错误更正任务中的技术,对不同的语法错误更正模型做了详细的研究与讨论。论文的主要研究工作如下:首先,对现有的中文语法错误更正任务中使用的技术进行分析。总结当前中文语法更正任务中的常用的词向量表示方法,基于神经网络的序列到序列模型及注意力机制,分析各模型适合的使用情况及优缺点,为后文语法错误更正模型的改进与分析奠定基础。其次,对非端到端中文语法错误更正技术进行研究,提出了两种在语法错误检测模型上词向量的优化方法,加入文本信息的词向量及文本化词向量,解决中文中存在的字或词的歧义问题。实验结果表明,两种优化方法相比于基础的语法错误检测模型都有更好的表现。最后,对端到端中文语法错误更正技术进行研究,提出了共享词向量及策略梯度(policy gradient)两种优化方法,并且提出基于生成对抗网络的语法错误更正模型。共享词向量使更正模型更符合中文语法错误更正任务中源语言与目标语言一致的情况。策略梯度用于解决文本生成中存在的不可微分的问题。基于生成对抗网络的语法错误更正模型用于解决模型输出的语句不符合中文语言习惯的问题。实验结果表明,加入两种优化方法及使用生成对抗网络的模型相比于基础的语法错误更正模型都有更好的表现。