机器翻译是人类打破语言屏障、实现语言互通的关键技术,也是自然语言处理和人工智能领域最重要的研究方向之一,因此,机器翻译研究不仅具有重要的应用价值,也具有重要的理论意义。当前,神经机器翻译在捕捉词与词的语义关联以及句子翻译上取得了长足的进展,已经成为当前主流的机器翻译技术。面向篇章的神经机器翻译在融合篇章上下文信息方面的研究也涌现出很多成果。然而,当前篇章神经机器翻译在建模篇章内句子或小句间的篇章结构关系方面存在着不足,导致翻译模型经常生成连贯性和可读性都较差的篇章译文。尽管研究者们提出了很多利用上下文信息的方法来解决这个问题,但这些方法大多依靠参考大范围序列化的篇章上下文信息获取篇章知识,其建模缺乏针对性,融合篇章知识的方式也较为粗浅,并不能有效地获取深层的篇章结构语义知识。尤其在面对像汉语这种意合型、隐式篇章关系较多的语言时,上述方法在融合篇章结构知识方面的效果较差。因此,在神经机器翻译中探索更为精准有效的篇章结构知识建模和融合机制,对提升篇章译文的连贯性具有重要的意义。本文围绕如何在汉英篇章神经机器翻译中建模和融合篇章结构知识这个中心问题,结合篇章结构分析理论,提出一系列的解决方案。论文的研究方法及成果总结如下:（1）提出了一种融合小句对齐知识的汉英神经机器翻译方法当前神经机器翻译建模篇章结构知识的问题在于:没有明确的基本建模单位,建模缺乏针对性,篇章结构知识的融合方式也较为粗浅。针对此问题,本文提出把小句作为篇章结构的基本建模单位,并深入研究汉英双语基于小句的篇章结构对齐方式,以及将小句对齐的篇章结构知识融入翻译模型的方法。一方面,本文采用人工和自动相结合的标注方法构建了大规模的基于小句对齐的汉英平行语料库,为神经机器翻译模型提供了显式的小句对齐知识;另一方面,本文设计了一种融合小句对齐知识的汉英神经机器翻译模型,该模型通过增强源端基于小句成分的句子语义表示,以及增强源端和目标端的小句对齐学习来有效地融合小句对齐知识。实验结果表明,本文提出的方法可以有效地建模和融合篇章结构知识,提升篇章神经机器翻译模型的性能。（2）提出了两种融合篇章主从结构对齐知识的汉英神经机器翻译方法当前篇章神经机器翻译缺乏在语义层面对篇章主从结构知识的建模和融合,导致模型在面对复杂长句时经常出现源语言和目标语言主从结构转换错误,严重影响到篇章翻译的语义连贯性。由于汉英语言形式上的差异,语义连贯性问题在汉英篇章机器翻译中尤其突出。针对此问题,本文探索在汉英神经机器翻译中对篇章主从结构知识进行建模,并提出两种融合篇章主从结构对齐知识的神经机器翻译方法。具体来讲,本文首先采用人工和自动相结合的标注方法构建了大规模的汉英篇章主从结构平行语料库,为神经机器翻译提供了丰富的篇章主从结构对齐知识。在此基础上,本文进一步提出了:融合篇章主从结构编码的神经机器翻译方法和融合篇章主从结构对齐知识的多编码器神经机器翻译方法,分别从编码策略和模型结构两个方面探索篇章主从结构对齐知识融入神经机器翻译的方法。实验结果表明,本文提出的两种神经机器翻译方法均能有效地建模和融合篇章主从结构对齐知识,进而提升神经机器翻译模型的性能。（3）提出了一种基于多粒度融合和多任务学习的篇章神经机器翻译方法当前篇章神经机器翻译面临的一大挑战是篇章级训练数据稀缺。如何在篇章训练数据匮乏的条件下训练神经机器翻译模型学习篇章结构语义知识是当前机器翻译研究需要解决的问题。针对此问题,本文提出了一种基于多粒度融合和多任务学习的汉英篇章神经机器翻译方法。一方面,在神经机器翻译中引入了基于小句、句子和篇章三种粒度的篇章上下文结构性信息,从多粒度融合的角度学习篇章结构知识。另一方面,在翻译任务中加入句子连贯性检测和句子复原两个篇章连贯性建模的辅助任务,使翻译任务与辅助任务以参数共享的方式进行联合训练,从而通过辅助任务引导翻译模型充分地学习额外的篇章结构翻译知识。两方面结合起来进一步增强了篇章神经机器翻译模型的性能。实验结果表明,本文提出的方法可以帮助模型在数据资源受限的条件下充分地学习篇章结构知识,进而提升了篇章译文的翻译效果。综上所述,本文针对篇章神经机器翻译中篇章结构知识建模和融合方式的不足,在小句对齐知识建模和融合、篇章主从结构对齐知识建模和融合、多粒度融合与多任务学习等方面提出了一系列的解决方法。同时,本文构建的篇章结构平行语料库深化与丰富了面向机器翻译的篇章结构数据资源。实验结果验证了本文所提出的方法可以有效地提高篇章译文的连贯性,提升模型的篇章翻译质量。