短语在机器翻译的快速发展过程中起到了至关重要的作用,而符合语法结构的高质量双语句法短语对既能够准确表达源语言的信息,又能够使翻译生成的目标语言更加流畅,在语法上符合语言表达习惯。论文围绕句法短语及命名实体短语在汉英机器翻译中的应用展开深入研究,主要包括三个方面:针对基于短语的统计机器翻译结果中存在不符合句法结构表达的问题,提出了一种利用双语句法短语对改善统计翻译模型的方法。在统计机器翻译中,短语定义为连续的词串,并以限定词串最大长度的方式控制短语总量,因此在短语翻译表中存在大量不符合句法结构的表达,并且所有的短语在解码过程中依赖语料库中的各项统计指标来评分,导致模型最终的输出存在语法错误或结构不完整等问题。为此,本文在分析短语模型与句法模型的优缺点基础上,将语料库中获取的双语句法短语对分别使用扩充训练语料和增加句法短语特征两种方式与统计翻译模型融合。在融合过程中,使用不同规模的训练语料进行实验,以验证方法的有效性。针对神经机器翻译中利用先验知识方面存在困难的问题,提出在不使用外部资源的情况下将双语句法短语对融合到神经机器翻译模型的方法。在神经机器翻译中,典型的翻译模式是从序列到序列的逐词生成模式。虽然神经网络能够提供强大的学习能力,并且在此模式下取得了明显超越统计机器翻译的效果,但是对于自然语言中的很多特殊表达,比如某些固定搭配短语和由高频字组成的低频短语在翻译过程中难以作为最优结果整体输出,而使用短语作为翻译单位能够帮助翻译模型避免这类错误。本文提出对源语言和目标语言两端同时增加句法短语标记编码的方法进行训练,使翻译模型更倾向于生成符合句法边界的短语,在中英文大规模语料上的实验结果表明,该方法能够有效改进翻译质量。针对生物医学领域的机器翻译中训练语料不足,并且语料中存在大量命名实体而导致翻译质量不高的问题,提出了生物医学命名实体的识别方法及其与生物医学机器翻译的融合方法。在生物医学领域平行语料相对稀缺的情况下,为提高其机器翻译的性能,论文从两个方面开展研究:一是围绕生物医学领域文本的命名实体识别展开研究,二是研究使用变量的替换翻译和扩展训练语料等方法将生物医学命名实体与机器翻译模型相融合。首先在生物医学命名实体识别中,提出加入词表示特征和扩展的RNN方法,然后使用可移植和识别结果较好的BLSTM-CRF模型的识别结果将生物医学命名实体与统计机器翻译和神经机器翻译方法相融合,以提高生物医学领域文本的翻译质量。综上,针对句法短语与汉英机器翻译中的融合问题,在不使用外部资源的情况下挖掘训练语料内部信息,分别将句法短语与统计机器翻译模型和神经网络机器翻译模型相融合。对于双语训练语料相对稀缺的生物医学专业领域文本翻译,重点研究了命名实体在汉英翻译过程中的重要作用,分别从生物医学命名实体识别、生物医学命名实体与统计机器翻译和神经机器翻译的融合两方面进行研究,最终达到改善机器翻译质量的目标。