随着深度学习及机器翻译领域研究的深入,基于注意力(Attention)机制的神经机器翻译(NMT)逐渐替代了统计机器翻译(SMT)。注意力机制的改进工作成为机器翻译的一个研究热点,近年来在这些神经机器翻译的注意力机制改进工作中,每个时间步的注意力信息依旧相互独立;而在2017年EACL中的Yang等人提出了一种循环注意力的模型,利用每个时间步中的注意力信息,将它们通过循环网络结构产生动态记忆信息,从而提升翻译性能;本课题基于Yang等人论文存在的问题提出了两个方面的改进研究:1、提出了引入自动边界的循环注意力机制。由于Yang等人提出的模型是通过一个超参值来经验性地设计历史注意力的窗口大小,这并不符合上下文信息具有语意边界的直观感受。因此,本文设计的模型结构可以改进历史注意力信息结合的窗口固定问题,并且提出了对称边界和非对称边界两种设计来实现边界的自动调控方式。2、提出了引入权重控制的循环注意力机制。Yang等人提出的模型在传输上下文历史信息的过程中没有区别对待不同时刻的历史信息,而我们清楚地知道,不同的上下文信息对翻译具有不同的影响程度。因此,我们通过历史注意力调控模型来实现历史注意力信息的权重控制,进而实现不同上下文信息对翻译具有不同程度的影响,此外我们还融合了非对称边界提出了非对称边界-历史注意力调控模型。我们通过两种改进方法构建了四个神经机器翻译模型,相比于Yang等人的研究,我们的模型在Bleu值上均取得了较好的表现能力,同时在测试结果上也表现出了更优的翻译性能。