神经机器翻译(NMT)模型凭借着优异的翻译性能迅速成为机器翻译领域的主流模型。神经机器翻译模型的训练通常依赖于双语平行语料,是否拥有足够数量的双语平行语料往往是机器翻译模型性能是否优越的重要决定性因素之一。作为一种自动关联不同语言句子以获取双语平行句对的技术,面向机器翻译的双语句对齐技术拥有着广泛的研究。早期的句对齐技术主要基于特征工程,通过双语句对的长度、长度比和双语词组对照等特征进行句对齐;然而,该方法的特征提取过程往往相对繁琐且个别特征通常不能准确全面表达文本语义信息。鉴于神经网络在机器翻译等序列处理任务上的成功应用,本文采用基于神经网络的句对齐方法,通过神经网络的训练自动获取双语语义对照信息。此外,本文使用句对齐技术从互联网网页文本中抽取双语平行句对,并利用获取到的平行句对改善机器翻译模型的翻译性能。本文的研究内容主要包含以下三个方面:(1)基于句子向量化表征的句对齐。神经网络在处理文本序列任务上有着很成功的应用,双语句对齐任务同样属于双语文本序列问题;为此,本文采用神经网络、基于自注意力机制神经机器翻译模型将不同语言的句子映射为同一向量空间上的句向量,并通过向量间的相似度计算实现双语句对齐。本文在BUCC-2017句对齐任务上进行实验,实验表明基于自注意力机制的句子向量化表征模型能有效实现句对齐;同时,通过对模型的实验分析本文发现BUCC-2017句对齐数据集的一些不足之处。(2)无监督句对齐。先前的句对齐技术大多依赖于双语平行语料,如双语平行句对、双语词典等。对于低资源领域,往往因为缺少双语平行语料而难以有效实现句对齐。为此,本文尝试采用无监督方式实现句对齐,希望借此改善低资源领域双语平行语料稀缺的现状。本文结合无监督双语词向量表征技术,将低资源语言对的相应句子进行同一向量空间上的向量化表征,并结合特定的相似度衡量方法进行句对齐。在BUCC-2017句对齐任务中的3组语言对的句对齐任务的实验结果表明:本文提出的无监督双语句子向量化表征方法能有效实现句对齐。(3)基于网页文本的双语平行句对抽取系统及应用。本文构建一个双语平行句对抽取系统,使用句对齐技术从海量互联网网页文本中抽取双语平行句对。本文通过该系统获取双语平行句对并将其应用到神经机器翻译的模型训练中,实验结果表明:通过该系统能有效获取包括低资源领域的双语平行句对,且获取到的平行句对能有效改善神经机器翻译模型的翻译性能。值得注意的是,该系统在获取双语平行句对的过程中构建的语料库还可以用于其它自然语言处理任务上,如双语平行文档的获取等。