统计机器翻译的核心是双语平行语料库,需要对大量的平行语料库进行统计分析,从而构建出翻译模型。双语词对齐是统计机器翻译系统中关键的一步,词对齐的准确率将直接影响翻译系统的性能。此外,经过标注词对齐信息的语料具有很大的应用价值。它能为词典编撰、跨语言信息检索和语义消歧等自然语言处理任务提供重要的支撑。因此,如何获取高质量的双语词对齐信息具有很大的研究价值。现有的词对齐方法往往通过统计信息进行对齐,没有充分考虑不同语言之间的语言特征。在训练过程中通常需要大量的标注好的词对齐数据,而人工标注的对齐数据又太少,不能满足训练需求。传统的词对齐模型考虑的词汇特征是稀疏的,从而导致语料中低频词的对齐效果较差。本文针对以上问题,采用深度学习的方法进行词对齐的研究,主要工作如下:(1)研究基于循环神经网络的词对齐方法。该方法将传统的隐马尔可夫模型融入循环神经网络中,并且考虑句子的上下文信息,利用词汇的相似性,将句子中的低频词用意思相近的常用词代替,通过常用词找到与目标语言词的对应关系,从而得到低频词的词对齐信息。模型采用无监督的学习方式,省去了人工标注词对齐语料的成本。实验结果表明,该方法改善了词对齐的质量。(2)提出融入依存关系的词对齐方法。该方法需要对输入的句子进行依存关系分析。通过双向长短期记忆神经网络提取上下文的词向量特征,并引入注意力机制调控特征的融合,最终得到分析效果较好的依存分析器。然后将双语训练语料通过分析器标注出依存关系。使用依存关系信息、词性标记信息作为特征,融入对数线性模型中,从而得到词对齐信息。(3)在词对齐的基础上,实现基于短语的统计机器翻译系统,该系统主要包括翻译模型的训练、语言模型的训练、解码等模块。将本文的翻译系统与当前常用的在线翻译平台进行对比分析。