随着计算机技术在各行各业应用的逐渐普及和深入,全球经济加速一体化以及不同国家、地区间的交流频繁化,通过人工方式进行翻译不论是从时间上还是成本上都不再适应当今社会飞速增长的翻译需求现状,人们转而将目光投向机器翻译方法,这使得机器翻译迎来了一个全新的发展机遇。近几年深度学习方法的出现使得人工智能快速发展,神经机器翻译（Neural Machine Translation）取代过去的统计机器翻译方法成为机器翻译的新一代研究方向。神经网络翻译模型获得高质量翻译结果依赖于大规模的双语训练语料,研究表明,在资源不足的情况下,神经机器翻译的性能显著下降;而藏文由于数字化资源稀缺,目前只有小规模的藏汉双语平行语料库来训练翻译模型。对此,本文提出融合先验知识的方法,能在一定程度上改善藏汉双语语料匮乏引起的问题,提高藏汉机器翻译质量。本文具体对如何融合以下四种不同类型的先验知识进行了研究,主要研究内容与创新点如下:1.融合词向量的藏文句子相似度研究:针对目前关于藏文句子的相似度计算方法研究较少且现有方法精度较低的问题,本文提出一种融合词向量的藏文句子相似度计算方法,首先通过Skip-gram模型和CBOW模型对500M大规模藏文单语语料库训练得到两种藏文词向量,然后据此计算藏文句子向量,最后设计实现了两种基于表层信息的藏文句子相似度计算方法——基于词向量与欧几里得距离和基于词向量与Jaccard相似度的计算方法——来计算藏文句子的相似度,通过对比实验表明基于Skip-gram词向量与Jaccard相似度的藏文句子相似度计算方法能够得到85.6%的准确率,优于其他组合方式。2.融合域外模型的藏汉神经机器翻译领域自适应方法研究:针对目前鲜有高效训练针对不同领域的藏汉神经机器翻译模型方法的研究,本文提出一种基于混合微调的藏汉领域自适应方法,首先使用20万句对的藏汉通用平行语料库训练一个藏汉通用翻译模型,然后通过领域自适应方法以此模型作为父模型进行混合微调,分别利用5万句对的藏汉政府公文平行语料库和一万五千句对的藏汉自然科学平行语料库,在此基础上训练得到政府公文、自然科学两个特定领域的藏汉机器翻译模型,实验证明在低资源条件下该方法能够在域外模型的基础上快速有效地训练出域内翻译模型,且整体表现优于域外模型,在各自领域测试集上的BLEU值相比通用模型提升到19.03和12.15。3.融合词性特征的藏汉神经机器翻译方法研究:为了在有限的语料基础上利用更多的外部信息得到最佳的翻译性能,本文通过引入藏文词性特征,即在训练过程中加入源端藏文词性标注（POS）作为输入特征,在Transformer注意力机制的编码器-解码器体系结构中泛化了编码器的嵌入层,以支持嵌入除词汇特征外的词性特征信息。通过对比合并、连接两种不同的嵌入方式,实验验证了连接方法对翻译效果的提升更为明显,BLEU值提升了3.99。4.融合统计方法的藏汉神经机器翻译方法研究:针对藏汉统计机器翻译中词对齐结果效果较好,而藏汉神经机器翻译模型中的对齐信息与之存在显著差异的问题,本文提出一种融合统计方法的藏汉神经机器翻译方法,首先使用统计机器翻译方法生成藏汉平行语料的双向对称词对齐信息,然后在Transformer模型训练过程中使用该词对齐信息监督藏汉神经机器翻译模型的训练过程,使模型达到更为准确的翻译和对齐效果。实验表明在低资源环境下,该方法使BLEU值提升了1.7。综上,本文试图通过引入除常规神经机器翻译所需的双语平行语料库之外的先验知识,如藏文单语语料库、域外模型、藏文词性标注信息、藏汉词对齐信息,来解决目前藏汉机器翻译存在的一些问题。实验表明先验知识的融合在一定程度上能够提高藏汉机器翻译质量。本文也为未来进一步在藏汉机器翻译中更好地引入更多丰富的先验知识打下基础,对将来相关研究工作有一定的参考价值。