翻译是人类思想交流的一个重要需求,智能翻译技术加速了不同文明的融会贯通,促进了人类社会的发展。深度学习技术成功运用于现代机器翻译领域,在许多语言翻译任务中取得了很好的翻译效果。由于神经机器翻译模型受限于数据量的规模,对于小数据、低资源的语言对来说翻译效果不尽如人意。本文针对中朝双语平行语料不足的问题,提出了基于迁移学习的中朝神经机器翻译方法,以提升翻译性能。首先,对中朝语料自动对齐进行研究,提出了结合朝鲜语汉字词（Sino-Korean Word）的句子对齐算法,将语料进行分句,并根据概率以及动态规划算法对语料进行了句子对齐。其次,提出了基于权值共享的中朝神经机器翻译方法,在编码器-解码器框架下训练父模型,然后将父模型的网络权值参数传递给子模型,并将父、子模型的词汇表进行整合,将子模型的词向量用共同词汇表表示,最后将子模型训练至收敛。最后,提出结合预训练语言模型的方法,将BERT网络结构作为翻译模型的编码器,对Transformer模型进行初始化。采用Wordpiece字节编码的方式对中朝语料进行划分,并将语料切分为子词的形式,减少了未登录词的影响。该方法解决了未登录词以及长句子处理问题,在语义流畅性上获得良好表现。本文研究的基于权值共享的中朝神经机器翻译模型BLEU值为15.36,较初始模型BLEU值提升了2.68;结合预训练模型的中朝神经机器翻译模型BLEU为31.61,较基础模型BLEU值提升了1.74。实验证明本文提出的翻译模型在中朝双语平行语料不足的情况下,有效地实现了中朝文本的翻译转换。