随着外国人对学习中文的热情高涨,开发一个中文语病分析工具将会为中文的教学提供较大的帮助。但是目前市面上已经有比较成熟的英语语病分析工具,而与中文相关的语病分析工具至今仍待发展。因此本文旨在开发一个基于深度学习的中文语病分析系统,该系统可以判断一个中文文本段是否有语病(Detection)、识别出语病类型(Identification),并指出语病在文本段中的位置(Position)。本文在已有的研究基础上,提出较新的研究方法实现中文语病分析模型,并开发一个简易的系统实现对模型的应用。首先,本文将任务视作序列标注问题,采用LSTM-CRF作为基础模型,并在此基础上分别从模型输入和模型网络结构这两个角度提出了三个改进模型:一是基于融合字嵌入的中文语病分析模型。该模型在LSTM-CRF模型的基础上,采用融合字嵌入技术对模型输入进行处理;二是基于多任务学习的中文语病分析模型。该模型在第一个改进模型的基础上将任务拆分成文本二分类任务和序列标注任务,并引入多任务学习机制实现两个任务共同学习;三是基于BERT的中文语病分析模型。该模型是在第二个改进模型的基础上,特征表示层采用BERT模型替代融合字嵌入模型。其次,本文分别在CGED2016_HSK、CGED2017和CGED2018三个测试集上对本文设计的四种中文语病分析模型进行对比实验。实验证明了三个改进模型均在一定程度上提高了模型性能,其中基于BERT的中文语病分析模型效果最佳,在Detection、Identification和Position阶段取得的最佳F1值分别是0.758、0.517和0.330。同时将本文最佳F1值与CGED2017和CGED2018竞赛冠军团队的最佳F1值进行比较,本文在Detection阶段比CGED2017冠军团队和CGED2018冠军团队分别高出0.012和0.008,在Position阶段比CGED2017冠军团队高出0.061,其余评估结果较接近两个冠军团队的最佳结果。本文比两个冠军团队使用更少的人工干预工作和更简单的模型训练方式,仍然能得到较好的结果,证明本文提出的模型有效。最后,本文搭建一个中文语病分析系统实现模型的落地,通过对系统的语病分析功能的测试表明本系统具有较好的实际应用价值。