现有机器翻译引擎依然远远满足不了用户的需求，用户往往需要对机器译文进行大量的重复性的错误修正，而机器译文中这种重复性错误的修正会消耗用户大量的时间而降低用户体验。为此，不少研究就机器译文自动后编辑进行了相关工作。但是，主流的后编辑方法是基于统计机器翻译（SMT）的后编辑，而SMT的不透明性为研究机器译文不足带来了困难。在这种背景下，本文引入错误驱动学习机制，分别面向译词错误与词序错误进行后编辑规则学习，从而提高机器译文质量。本文的具体研究内容涉及如下几个方面：(1)面向译词错误的错误驱动学习建模。现有机器引擎给出的译文往往会出现多词、少词、错词的翻译错误，为此，本文在错误驱动学习的框架下，面向译词错误学习增删改后编辑规则。并通过机器译文的质量变化来检验增删改后编辑规则的性能。(2)面向词序错误的错误驱动学习建模。现有机器引擎给出的译文往往会出现词序错误的翻译错误，为此，本文首先通过对齐交叉定义词序错误，并在错误驱动学习的框架下，面向词序错误学习调序后编辑规则。通过机器译文质量的变化来检验调序后编辑规则的性能。(3)基于混合策略的错误驱动学习建模。机器译文错误包含着译词错误与词序错误，为了能够同时解决机器译文中的译词错误与词序错误，我们通过两种策略进行模型级别的融合。首先通过级联式翻译错误驱动学习融合增删改后编辑规则与调序后编辑规则，然后再进行迭代式翻译错误驱动学习。并均在数据集上检验模型的性能。