近年来,随着中国和塞尔维亚双边关系不断深化,沟通障碍问题日益突出,对译员的需求和译员的数量形成了紧张的供需关系,而构建汉语-塞尔维亚语机器翻译能有效解决这一问题。在构造汉语-塞尔维亚语机器翻译模型过程中,由于塞尔维亚语(塞尔维亚语西里尔文)属于小语种,汉-塞双语平行语料的收集工作存在一定难度,再着塞尔维亚语具有丰富的词形变化(例如,数、时态、格等),使塞尔维亚语词表稀疏严重,造成汉语-塞语词表在词频分布上的不对称,最终导致汉语-塞尔维亚语机器翻译不能取得较好的翻译质量。本文以深度学习为研究背景,结合近些年机器翻译研究领域的学术成果,针对塞尔维亚语语料稀缺、词表稀疏的特征,提出基于语义相关的汉语-塞尔维亚语机器翻译模型,其主要进行了如下方面的工作:(1)研究和分析了机器翻译的发展历程以及相关理论和测评技术指标。(2)根据塞尔维亚语和俄语同属于斯拉夫语族且在语法上具有相似性的特点,参考中俄神经网络机器翻译模型,确定适用于汉语-塞语机器翻译神经网络结构,并进行神经网络的训练。(3)获取训练语料,在数据处理过程中,提出对中文词表和塞尔维亚语词表使用基于语义相关的压缩方法,以降低词表稀疏程度和增加神经网络对语义的理解。(4)提出基于语义相关的机器翻译质量测评方法(BLEU-ws),以此作为临时模型的选取,并在实验中和BLEU测评方法进行对比。(5)对训练后的模型进行优化,并实现可由外部调用的API接口。实验证明,本文通过基于语义相关的压缩词表方式和使用BLEU-ws测评方法,降低了塞尔维亚语词表的稀疏性,克服了汉语-塞语词频分布的非对称性,在模型训练过程中能选择出有较强语义理解能力的翻译模型,对汉语-塞尔维亚语机器翻译质量有明显的提升。最终,对汉语-塞尔维亚语机器翻译模型的测评结果显示,使用BLEU-ws测评方法得到的最优模型的BLEU值达到20.8,较使用BLEU测评方法进行模型训练得到的最优模型BLEU值提升1.6分,提高8.3%。