随着科技的进步和时代的发展,电子文档逐渐替代纸质文档成为汉字的重要存储方式。文字的录入方式也随着存储介质的变化,从传统的手写转变为键盘输入、图片识别、语音识别等更为高效的录入方式,但是这些技术不可避免的出现文字录入错误。在当今互联网时代,信息传递更为便捷,所存储的数据也越发庞大,这就使得人工纠正错误数据需要花费很多的时间和人力资源。中文拼写纠错技术的研究,不仅可以应用于拼音输入法、文档编辑工具、搜索引擎、聊天机器人、语音助手等,还可以辅助国内外汉语学习者学习汉语,提高学习效率,减轻学习压力。然而现有的中文拼写纠错技术具有字向量的上下文信息不充分、生成的候选字受限于混淆集等问题,这就迫切需要新的中文拼写纠错技术对数据进行自动检测和纠错,来提高文本的纠错性能。因此,本文在前人的基础上,分别对基于统计语言模型的中文拼写纠错技术和基于深度学习模型的拼写纠错技术展开研究,其主要贡献如下:（1）针对基于统计语言模型的中文拼写纠错技术性能较差这一问题,本文设计并实现了联合中文分词、音字转换词典和噪声信道模型的拼写纠错模型NCM-Spell。NCM-Spell的拼写检错模块联合中文分词和音字转换词典进行拼写检错,避免穷举候选句子,提高了模型的检错性能;NCM-Spell的拼写纠错模块使用噪声信道模型和Beam Search算法筛选候选句子,提高了模型的纠错性能。实验表明,与基准模型LMC相比,NCM-Spell模型在多个指标上有所提升。在SIGHAN 2013数据集上,NCM-Spell模型的拼写检错和纠错F1值比LMC模型分别提高了1.1%和3.3%;在SIGHAN 2015数据集上,NCM-Spell模型的拼写检错和纠错F1值比LMC模型分别提高了2%和2.9%。（2）针对序列标注模型输入字向量的上下文信息不充分和统计语言模型及深度学习模型的纠错性能受限于混淆集这些问题,本文设计并实现了基于预训练的上下文向量和多标签序列标注的拼写纠错模型MLSL-Spell。MLSL-Spell模型的拼写检错模块,为了使输入的字向量具有上下文信息,采用通过Transformer的编码器在海量语料库和多个预训练任务中训练产生的上下文向量,然后将上下文向量和拼音向量融合在一起,输入到由双向GRU神经网络和CRF模型构成的序列标注模型,对错误字类型进行明确的标注;MLSL-Spell的拼写纠错模块使用Masked Language Model（MLM）模型推断出错误位置的候选字,再根据错误类型筛选候选字。由于MLM模型是在所有的汉字范围内生成候选字,模型的纠错性能不再受到混淆集的限制。在获得了最终的候选字之后,提取候选字及其所在句子中的特征信息,并用XGBoost分类器筛选出正确字。实验表明,与基准模型PN相比,MLSL-Spell模型有较显著的提升。在SIGHAN2013数据集上,MLSL-Spell模型的拼写检错和纠错F1值比PN模型分别提高了18.3%和10.9%;在SIGHAN 2015数据集上,MLSL-Spell模型的拼写检错和纠错F1值比PN模型分别提高了15.7%和6.8%。