现阶段是信息化的时代,也是科技化的时代。随着云计算、大数据、人工智能等诸多领域的快速发展,神经网络语言模型也在跟随时代前进的脚步,在语音识别、光学识别技术、自然语言处理等方面也彰显着神经网络语言模型特有的性能和效果,从而在一定含义上超过了基于语法、语义的语言模型建模,也超过了基于统计的、传统的N元文法语言模型建模,成为现阶段最主要的前沿点。但在藏语方面,作为少数民族语言来说,研究条件的缺乏和训练数据的匮乏等诸多影响因素给研究造成了困难,使得传统的N元文法语言模型在藏语研究方面占据很重要的位置。本论文在已了解语言模型理论知识的前提下,结合对神经网络理论知识的认识,对藏语语种进行语言模型的构建,构建基于神经网络的藏语语言模型,通过对神经网络的细节研究实验,例如:改变模型参数等方法来实验,来了解和验证神经网络语言模型的效果性和性能性,选取传统的基于统计的N元文法语言模型作为比对,构造基于N元文法、神经网络下的藏语语言模型,目的是得到性能更好、效果更佳的藏语语言模型。同时,在研究的进行过程中,为了匹配提出的方法的有效性、严谨性,本论文不仅使用语言模型的直接评判标准困惑度作为指标来评价语言模型,还将语言模型应用于具体的应用上,通过实验藏文文本校对上的字级别字正确率来间接观察语言模型的好坏。实验中通过改变神经网络语言模型中隐藏层神经元个数和利用上下文字向量等特征来进行实验,解决了基于统计的语言模型不能获取长距离约束的问题。同时在文本校对实验中,也同样通过调整隐藏层神经元个数等特征来训练模型。最后,在实验结果中发现,与传统的N元文法语言模型相对比,使用神经网络语言模型,困惑度降低了许多,改变隐藏层的神经元个数,也不同程度地影响了语言模型的困惑度。在此基础上,通过嵌入字向量特征,发现语言模型困惑度降低了,语言模型性能相应地提高。在后续的自然语言处理任务中,神经网络语言模型在具体的文本校对上对字级别的字正确率也提高了。实验结果表明,实验优化后的藏语神经网络语言模型性能和效果要优于传统的基于统计的N元文法模型,同时也提高了在具体应用文本校对上的关于藏语语言模型的性能和效果。