近年来,随着深度学习在机器翻译领域的成功应用和深入研究,与之相应的译文自动后编辑方法也由传统统计模型转向深度学习模型,如何将神经机器翻译模型有效地利用到译文后编辑领域,成为机器翻译相关的研究热点之一。自动后编辑中存在的一个普遍问题是过度修正,即在译文在后编辑过程中被修改的程度超过了实际需要而引起译文质量下降的情况。对于这个问题,现有的方法一般通过在训练数据中增加原始机器译文与人工后编辑译文相同的特殊训练集,或是在候选译文排序过程中添加惩罚因子以约束后编辑系统对机器译文的修改程度。但是这类做法很难同时兼顾系统的性能且减少过度修正。针对现有方法存在的这些不足,本文提出基于翻译质量估计的神经自动后编辑方法。我们首先使用TER脚本对后编辑过程中易出现过度修正的原始机器译文所需的编辑次数和类型进行统计,并使用Zipf拟合统计结果加以分析;然后依据分析结果将原始机器译文分类,对各类译文分别建立神经自动后编辑子模型;最后利用机器翻译质量估计方法建立候选译文的分层排序方法将子模型联合。为了验证本文所提方法的性能,我们在WMT’16、WMT’17机器翻译自动后编辑评测任务上进行了充分的实验验证,实验结果表明,基于翻译质量估计的神经自动后编辑方法能够提升原始机器译文的质量,而且相对于常规神经自动后编辑方法可以有效的减少后编辑过程中过度修正现象的出现频率。