蒙古文词切分是蒙古文信息处理的基础,也是蒙汉机器翻译等下游任务的关键。近年来,深度神经网络模型在自然语言处理领域得到广泛应用,在分词研究任务中也取得了不错的成绩。本文首先利用多种深度学习模型对蒙古文词切分方法进行研究,通过对比蒙古文部分切分、BPE切分和神经网络切分方法对于蒙汉机器翻译性能的影响,并提出了一种改进的神经网络蒙古文词切分基础上过滤停用词的蒙汉神经机器翻译方法。主要研究内容有:首先,将Bi LSTM神经网络模型、CNN神经网络模型、传统的CRF统计模型进行结合,提出基于Bi LSTM-CNN-CRF神经网络模型的蒙古文词切分方法。该模型保留了Bi LSTM模型的捕捉长远距离信息的特点,同时具备CNN模型提取局部特征以及CRF联合解码出最优标记序列的功能。实验结果表明,本文提出的基于Bi LSTM-CNN-CRF的神经网络词切分模型与Bi LSTM、Bi LSTM-CRF神经网络模型进行对比性能最优,蒙古文词切分的准确率达到了97.37%。然后,本文搭建了基于蒙古文词切分的Transformer蒙汉神经机器翻译模型,对蒙古文采用部分切分法、BPE切分法以及基于神经网络的切分法进行词切分预处理,并用不同词切分方法预处理过的语料训练蒙汉神经机器翻译模型。实验结果表明,与基线实验进行比较基于蒙古文词切分的Transformer蒙汉机器翻译性能均有所提升。其中,蒙古文部分切分方法对蒙汉机器翻译译文质量最好,使蒙汉机器翻译BLEU5值达到了72.10%。最后,通过分析多种切分方法对蒙古文语料的切分粒度分析,结合蒙古文构词特点,本文提出了一种改进的神经网络蒙古文切分基础上过滤停用词的蒙汉神经机器翻译方法。改进的方法对蒙古文神经网络切分完语料中出现的单个连接元音“V（?）”、“U（?）”和不稳定“N（?）”进行过滤处理。实验结果表明,进行过滤后的Bi LSTM-CNN-CRF神经网络的蒙古文词切分方法将机器翻译译文中BLEU5值达到73.30%,比不过滤时的翻译BLEU5值提高了1.95个百分点,并且优于部分切分法和BPE切分法。因此改进的神经网络蒙古文切分中过滤停用词的蒙汉神经机器翻译方法能够进一步改善蒙汉神经机器翻译性能。