近年来,基于深度学习的神经机器翻译方法获得迅速发展,目前已取代传统的统计机器翻译成为主流的翻译方法。神经机器翻译模型大多采用数据驱动的端到端架构,需基于大规模平行语料开展模型训练。而在低资源场景下,平行语料资源匮乏,可利用信息严重受限,翻译模型表现不佳。因此,挖掘其他种类的数据及知识,增强模型可用的信息,不仅有助于突破平行语料资源束缚,更可以利用信息的多样性来提升机器翻译模型的泛化能力。本文针对低资源神经机器翻译中信息缺乏问题展开探究,重点研究了参考翻译信息、回译信息、翻译记忆信息、句法结构信息的增强方法,对增强及应用过程中所面临的一些问题进行了针对性解决。论文主要研究工作如下:（1）提出了基于参考翻译信息增强的低资源神经机器翻译方法。针对低资源场景下参考翻译信息缺乏问题,提出一种双层编解码器结构的翻译模型。模型采用二次翻译形式,将首次翻译产生的译文作为参考翻译,用于指导第二次翻译的编码过程。为了在利用参考翻译中有效信息的同时减少噪声干扰,构建了重要性权重模型,利用该模型将参考翻译转化为重要性权重矩阵。矩阵体现的是源语言句子中不同单词对译文生成的不同贡献,将其融入到第二次编码过程中可以引导更优译文的生成。多个数据集上的翻译结果表明,所提方法能够实现对参考翻译中有效信息的精准利用,进而改善低资源神经机器翻译性能。（2）提出了基于回译信息增强的低资源神经机器翻译方法。回译方法利用单语语料实现数据增强,可以显著提升低资源场景下的可用信息规模、缓解数据稀疏困境,但同时也存在基础翻译模型训练不充分和由此导致的噪声引入问题。针对该问题,提出了一种利用基于回译信息增强的低资源神经机器翻译方法。一方面改进注意力机制,使模型能够充分利用神经网络各层特征信息,训练得到更优的基础翻译模型。另一方面,引入变分信息瓶颈到基础翻译模型中,利用变分信息瓶颈方法的去噪特性,在实现模型的可用信息增强的同时实现噪声消减,优化翻译质量。实验结果表明,所提方法能够在增强回译信息的同时有效减少回译信息中的噪声,是对回译方法的成功改进。（3）提出了基于翻译记忆信息增强的低资源神经机器翻译方法。自翻译记忆中检索原型序列（模板）并将其用于指导翻译输出的概率分布,已被证明是有效的翻译性能提升手段。低资源场景下,翻译记忆数量不足导致基于翻译记忆的方法效果不佳。针对该问题,提出基于翻译记忆信息增强的低资源神经机器翻译方法,将传统检索方法和所提出的伪原型序列生成方法相结合,以多策略方式生成高质量的伪原型序列。除对传统的编码器-解码器框架进行了改进以容纳原型输入之外,所提方法还使用改进的损失函数削弱低质量原型序列对模型的影响。实验结果表明,利用多种策略进行原型生成可以显著提升对翻译记忆的利用效率,是将原型方法应用到低资源场景的有效途径。（4）提出了基于句法结构信息增强的低资源神经机器翻译方法。融入句法结构信息已被证明可以有效提升机器翻译性能,但在低资源场景下,融入短语结构和依存关系等传统句法结构信息时会带来噪声引入和复杂度不匹配问题。针对此问题,本文探究句法结构差异这种更为适合低资源场景的句法结构,提出了句法结构差异的识别、表征和融入方法。通过对句法结构差异的有效建模和融入,有效地解决了传统句法结构信息利用方法所引起的噪声引入和复杂度不匹配问题。实验结果显示,相比传统句法结构,句法结构差异更为精简,更加符合低资源场景下的数据特点。将其融入翻译模型能够有效地减少噪声引入、丰富训练数据的形态并显著提升翻译性能。本文以低资源神经机器翻译为研究对象,探讨了几类重要信息:参考翻译信息、回译信息、翻译记忆信息和句法结构信息对翻译的作用,分别利用不同的数据与知识对上述信息进行增强。有别于传统的翻译信息增强方法,本文基于不同数据和知识的特点,设计了针对性的信息增强方法,解决了信息增强与利用过程中所存在的一些问题。本文研究对于拓宽低资源神经机器翻译研究方法范畴、实现实用化翻译模型具有积极的作用。