汉字与盲文的自动转换是提升我国1731万视障人群生活水平、完善教育技术、实现国家信息无障碍化的关键。然而,由于我国汉盲翻译软件不足和技术的滞后,这项工作无法满足视障者日常学习和工作需求,严重阻碍了我国盲文出版和盲人教育事业的发展。当前,汉语盲文转换技术有多个选择,其中主要分为多步式汉盲转换方法和单步式汉盲转换方法。多步式汉盲转换方法的步骤为“汉字-分词-拼音-盲文”:首先将需要转换的汉语文本准备好,建立盲文分词连写语料库,结合盲文分词连写规则构建并训练分词模型,将汉语文本根据分词模型进行分词,得到分词结果;建立汉语拼音语料库,构建并训练拼音模型,根据该模型进行词语拼音信息标注;最后将带有拼音信息的词语转换为盲文。其中需要多语料库支持,建设成本高、难度大;并且多模型建立步骤繁琐,转换效率和准确率受影响。单步式汉盲转换方法结合神经机器翻译模型的结构,可以单步式地把汉语转换成盲文,通过对现有模型的训练,该研究旨在探索汉盲转换算法,但尚未深入探讨其内在机制,因此,有必要进一步加以研究,以期提升转换的准确性。本文对基于自注意力机制的Transformer汉盲转换方法进行改进,对其增加预训练模型,其中使用BERT模型,将海量纯文本数据在BERT模型上进行训练,再将输入序列转换成BERT模型的表示,然后注入下游模型所有层,在每一层的注意力模块中自适应地与BERT的表示交互,最终输出BERT模型表示和下游模型注意力模块的融合表示。本文基于上述想法提出三种改进模型,分别为Bes Transformer、Beds Transformer和Best Transformer模型,这些模型都将输入序列转换成BERT预训练模型处理过的表征,然后通过注意力模块与每个下游模型的编码层和解码层进行交互,最终得到二者的融合表征。本文通过实验对汉盲转换进行了全方面评估分析。实验结果表明,与基于自注意力机制的Transformer汉盲转换方法研究相比,Bes Transformer、Beds Transformer和Best Transformer的模型性能均有所提高。当采用默认权重ω1=ω2=ω3=ω4=0.25的情况下,对比BLEU值时发现,Bes Transformer模型在三种盲文的BLEU值分别为91.35%、91%、86.85%,较Transformer模型分别提高12.17%、10.75%、1.9%;Beds Transformer模型在三种盲文的BLEU值分别为94.16%、93.02%、89.07%,较Transformer模型分别提高15.13%、12.77%、4.44%;Best Transformer模型在三种盲文的BLEU值分别为95.15%、93.79%、89.67%,较Transformer模型分别提高16.07%、13.54%、5.04%。三种改进模型较Transformer模型在国家通用盲文测试集准确率均有所提高,分别提高了0.86%、0.93%、1.02%。因此可以得出,本文提出的三种模型性能与Transformer模型相比均有所提高,证明了改进模型的可行性和有效性。在计算METEOR值时,Best Transformer模型在三种盲文下均实现了最高的METEOR值,分别是99.63%,99.65%,99.10%。通过BLEU值和METEORE值的综合评估,表明Best Transformer模型在特征提取和表征融合做的更深刻,更好的完成汉盲转换任务,而Beds Transformer模型次之,Bes Transformer模型最差。随着训练数据的增多,三种模型的性能均得到了显著改善。经过对转换结果的分析,本文总结出存在的五种问题,分别为分词差异、分词错误、多音字错误、符号错误和语料库错误。本文通过将预训练引入到汉盲转换任务,对纯文本数据进行通用语义特征提取,将源语言和目标语言与模型注意力进行融合,实现了汉盲转换方法的优化与创新。目前,我国采用三种盲文标准:国家通用盲文、双拼盲文和现行盲文。为了研究汉盲转换方法,论文收集了《人民日报》1998年六个月的数据,并将数据经过中国盲文数字平台转换和专家校对后,最终得到约1200万字的三种盲文句子级汉盲对照语料。