神经机器翻译是采用端到端深度学习框架进行机器翻译的方法。近几年来,神经机器翻译取得了飞速的进展以及巨大的成功。由于神经机器翻译能够更好地建模长距离依赖关系,它已经取代了传统的统计机器翻译,成为了目前学术界和工业界最佳的机器翻译方法。主流的神经机器翻译模型一般使用词级别的序列来编码句子。然而,对于神经机器翻译的编码而言,这可能不是最佳选择,尤其是针对拥有歧义切分的语言而言。一方面,切分错误可能对神经机器翻译编码的建模产生负面影响;另一方面,最优的切分粒度对神经机器翻译而言也不明确。针对以上的两个问题,本文提出了使用词格作为输入的格到序列神经机器翻译模型。本文的主要贡献归纳如下:（1）基于自注意力机制的序列标注模型。本文视汉语分词为序列标注问题,针对循环神经网络难以捕捉长距离依赖这个问题,本文提出使用自注意力机制来增强序列标注模型的全局表示能力,从序列标注任务端减少汉语分词对随后翻译的影响。为了进一步验证基于自注意力机制模型的有效性,本文中还在语义角色标注任务上进行了实验。（2）基于格的循环神经网络编码器。本文使用不同粒度的汉语分词结果来构造词格,并首次使用格作为神经机器翻译的输入。本文提出了前置融合型格循环神经网络和后置融合型格循环神经网络两种网络来编码格。特别地,由于使用格作为输入,基于格的编码器可以根据多种不同的输入以及历史状态来生成隐状态。与普通的循环神经网络编码器相比,基于格的编码器不仅可以缓解切分错误对翻译的负面影响,而且能够更加灵活有效地编码输入。（3）深度格到序列神经机器翻译模型。深度模型被证明可以有效地增强模型的表示能力。本文从增加模型深度的角度,提出使用深度层叠循环神经网络以及深度转移循环神经网络两种方法对格编码器以及序列解码器进行扩展,并且构成深度格到序列模型。相较于使用格编码器的浅层模型,深度格到序列模型可以进一步提升翻译模型的性能。本文中在汉语分词和词性标注联合任务以及汉英翻译等任务上对本文中的方法进行验证。实验表明本文中的方法能够有效地提升分词的性能以及减少分词错误传播对翻译的影响。在翻译性能上,格到序列模型能够显著优于传统的基于注意力机制的序列到序列基线系统。