在语言学习环境中部署的语法错误纠正（GEC）系统应能准确修正学习者写作中的错误。然而，实际应用中，这些系统常常产生虚假的修正结果，同时未能纠正大量真实错误，从而误导学习者。因此，亟需对GEC系统生成的输出句质量进行评估，以便教师能够有针对性地介入，重新修正系统处理不当的句子，确保学习者获得准确的反馈。本文提出了首个无需依赖人工设计特征的神经网络型GEC输出质量自动评估方法。该系统在监督学习框架下进行训练，使用学习者原始句子及其对应的GEC系统输出，并结合人工标注参考句计算出的质量评分标签。实验结果表明，所提出的神经质量评估模型在GEC任务上显著优于一个强大的基于特征的基线方法。此外，我们还证明，当将质量评分作为重排序（re-ranking）N-best候选结果的特征时，当前最先进的GEC系统性能可进一步得到提升。