在信息时代,不同语言的人们之间进行跨语言的交流也会越来越频繁。传统的人工翻译由于其翻译效率等问题,已经逐渐满足不了当前人们的翻译要求。由于机器翻译具有一定的高效性,因此很多研究者将目光投向了机器翻译的研究之中。近年来,随着机器学习和深度学习相关技术的迅速发展,深度学习也逐渐的和自然语言处理结合了起来。如何通过相关的深度学习技术来提高神经机器翻译的精度问题,也是研究者们一直研究的问题。本文针对基于生成式对抗网络的神经机器翻译模型进行了研究。本文提出了一种将生成式对抗网络应用于神经机器翻译的方法。首先构建了一个条件序列的生成对抗网,它包括了两个对抗的子模型,一个生成器和一个判别器。该生成器旨在生成难以与人类翻译的句子区分开的句子(即:黄金目标句子);而判别器采用卷积神经网络来进行判别,目的则是努力的将机器生成的句子与人类翻译的句子区分开来。这两个子模型就像是一个小型的博弈游戏,当生成器和判别器达到纳什均衡时,生成器和判别器实现双赢。另外,静态句子的判别BLEU值作为强化目标,作用于生成器,使生成器生成的句子,会产生偏高的BLEU值。在本文的训练过程中,动态的判别器和静态的BLEU值都用于评估生成器生成的句子,并将评估反馈给生成器,来指导生成器的学习。实验结果表明,在英-德和中-英数据集上,相比于单一基于循环神经网络机器翻译模型和引入注意力机制的BiRNN机器翻译模型,以及完全基于注意力机制的当前最高水平的翻译模型Transformer,在引入生成式对抗网络后,翻译效果的评价指标BLEU值都高于之前没引入生成式对抗网络的BLEU值。