随着互联网的飞速发展,网络上的文本数据量激增,同时也导致了文本质量下降,传统的人工校对早已无法完成如此巨量的工作,文本自动校对技术应运而生。该技术不仅能加快出版节奏,而且可以利用该技术在企业单位减少大量需要保存的电子文档中的错误,同时在在教育教学方面也能辅助教师评阅试卷,发现其中的拼写错误。传统基于统计和规则的文本校对方法存在诸多问题。一方面规则的制定需要丰富的经验,人力成本高,且这种基于流水线的模式,会由于分词产生的噪音,很容易导致错误累积。另一方面,现有方法仅使用了字或词的特征信息,对于字、词、拼音三种特征信息未进行有效的利用。针对以上问题,本文提出一种基于深度学习的序列标注模型BLSTM-CRF,无需进行人工干预,节省了人力成本,并采用字粒度的特征免去了分词引入的噪音。此外,针对多特征未有效利用问题,对BLSTM-CRF模型进行了改进,采用了网格LSTM和门控机制有效地对字、词、拼音三者进行了多特征融合。本文研究的主要内容主要分为两个方面:(1)本文提出了一种用于中文拼写检查的神经网络架构BLSTM-CRF,即双向长短时记忆网络结合条件随机场模型。它是真正的端到端模型,不依赖于特定于任务的资源,特征工程或数据预处理;其次,通过采用字粒度的向量输入,免去了分词噪音的引入。在新闻和小说两个数据集上的实验表明,模型性能F1值相较于基线模型在新闻和小说的测试集上都有较大提升。(2)本文提出了一种新颖的拼写错误检查模型FL-LSTM-CRF,该模型融合了字、词、拼音三者的特征,充分利用潜在的信息。在SIGHAN数据集上的实验结果证明了端到端框架在拼写错误检查的可行性,同时验证了字、词、拼音三者融合的特征信息在检错任务上的有效性。在使用相同的外部资源的情况下,FL-LSTM-CRF模型明显优于其他模型。