随着航空运输国际化进程的不断深化和航线网络的不断拓展,国内空域中的外航飞机越来越多,由于军航的管制人员使用英文空管指令的场景比较少,并且外航飞行员说的英文管制指令有些带有口音,导致会出现管制人员对英文空管指令理解歧义和翻译错误的情况,这会影响和威胁到飞机的安全运行。而空管指令的内容和结构与通用领域文本存在一些差异,导致使用通用的机器翻译系统对空管指令进行翻译的效果并不好,所以引入一个专门适用于空管领域的翻译系统,对提高管制人员工作效率、保障空中交通管制安全和促进航空事业发展具有重要的现实意义。本文主要工作是进行了在空管指令翻译问题上应用深度学习方法的研究,通过对Transformer翻译模型位置编码方式和空管指令模板结构特点的分析,提出了三种如下的改进Transformer模型:（1）加入融合式位置编码信息的改进Transformer模型。Transformer模型中只融入了利用三角函数计算得到的绝对位置编码信息,但在空管指令翻译任务中单词之间的相对位置编码信息也很重要,针对这个问题本文提出一种利用复数性质融合绝对和相对位置编码信息的改进Transformer模型,该模型能在翻译过程中关注到空管指令词语之间绝对和相对位置的关系。（2）加入模板类型编码信息的改进Transformer模型。通过对空管指令文本结构固定、内容简洁、单词可以对齐等特点的研究,发现空管指令的内容和结构具有明显的模板特征,它的模板类型编码信息对翻译结果具有重要的影响,针对这个问题本文又提出一种融合空管指令模板类型编码信息的改进Transformer模型,该模型利用分类预训练模型得到的空管指令模板Embedding矩阵来构建模板编码器,使模型在翻译过程中捕捉到空管指令的模板结构特征。（3）融合多编码信息的改进Transformer模型。考虑到前面两种编码信息对翻译结果都有重要的影响作用,本文还提出一种融合多编码信息的改进Transformer模型,该模型是前面两个模型的综合模型。实验结果表明本文提出的三种改进Transformer模型方法比三种基线方法具有更好的翻译效果,其中融合多编码信息的改进Transformer模型效果最好,在空管指令英文-中文翻译任务中该模型的平均BLEU值比基线方法字典匹配提高了20.61%,比Seq2Seq模型提高了21.23%,比Transformer模型的BLEU值提高了3.95%,在中文-英文翻译任务中该模型比基线方法字典匹配提高了22.10%,比Seq2Seq模型提高了22.44%,比Transformer模型提高了3.61%。