在当今经济和贸易全球化快速发展的时代背景下,各国之间的信息互通量级巨大,机器翻译（Machine Translation,MT）在这个过程中扮演着重要角色。各类机器翻译系统都需要具备利用外部词典快速提升专业领域翻译准确率的能力,如何让机器翻译系统产生的译文能够满足提前给定的词或短语的翻译（即“机器翻译的干预机制”）,如何更好的通过干预机制提升翻译质量,具有重要的研究价值。神经网络机器翻译（N eural Machine Translation,NMT）是一个端到端模型,近年来已经成为主流的机器翻译方法。其端到端的翻译过程的“黑盒”特性,使其在推断阶段很难进行直接干预,因此神经网络机器翻译的干预技术近几年越来越受到企业界和学界关注,其研究主要分为两种思路:基于标签占位的数据增强方法和基于解码过程约束的强制生成方法。已有研究方法的主要缺陷是在保证干预译文生效的同时,损失了整个句子的翻译质量。与已有研究方法不同,本文提出的方法既能保证干预译文生效,又能最大程度避免干预过程对整句翻译质量的负向影响。本文研究内容分为以下三个部分:（1）基于原文替换和译文拷贝的机器翻译干预方法首次提出了一种基于语码转换（code-switching）的数据增强方法,通过对神经网络机器翻译系统的双语训练数据进行数据增强,得到一种特殊的双语平行句对:源端句子中的一部分词或短语替换为对应的目标端词,目标端句子保持不变。这些增强语料可以使模型学会在翻译的同时将源端句子中出现的目标端词拷贝至最终的翻译结果。另外,通过利用指针网络（pointer network）和词嵌入表示共享（shared embedding）,进一步强化了模型的拷贝能力。解码时,通过前处理步骤将翻译原文中需要干预的词或短语替换为指定的干预译文,由于原文句子中的译文词保留了待干预词的语义信息,因此整体翻译质量不会由于原始句子语义缺失而受损。实验表明,这个方法不仅可以保证干预生效,还能显著缓解传统标签占位的干预方法导致的翻译质量受损问题。干预后的翻译质量既优于不干预,也优于传统的两类干预方法。（2）基于词对齐优化和解码过程约束的干预方法提出一种通过优化Transformer词对齐进而提升Transformer模型干预效果的方法。首先为原始的基于多头注意力机制（multi-head attention）的神经网络机器翻译模型的解码器端附加一个额外的注意力头（attention head）,然后利用外部词对齐信息作为监督信号,训练这个专用的注意力头,使其对源端词的注意力分布（attention weights）可以更好的反映当前待生成的译文词和原文词的对应关系。这种增加一个额外的注意力头的方式不影响原有的翻译模型的参数,因此不影响原本的翻译质量。解码时,在目标端生成每个译文词时,如果当前译文词对齐到源端待干预词,则通过改变当前步骤的目标端词表的概率分布达到约束解码的效果,使模型输出提前指定的干预译文。实验结果表明,对词对齐的优化可以显著提升基于解码过程约束的干预方法的效果,翻译质量和干预生效率和词对齐准确率呈显著的正相关性。（3）基于预训练提升词对齐并指导干预的方法提出了一种基于跨语言预训练模型和训练目标约束来提升Transformer词对齐进而提升干预效果的方法。与已有的基于有监督的方法不同,基于跨语言预训练模型的方法不依赖外部词对齐信息作为监督信号,而是从跨语言预训练模型中学习不同语言间的词义表示,拉近不同语言间语义相同的词的表示,并初始化Transformer的一部分参数。另外,利用词对齐集中度作为额外特征,改进原有训练过程的损失函数,更进一步提升解码时产生的词对齐的准确率。该方法用一个专门的子网络学习词对齐信息,既不影响模型原本的翻译效果,又能更好的针对词对齐任务进行训练。实验结果表明,该方法能够显著提升Transformer的词对齐准确率,并且首次基于无监督的方式获得了超过基于离散建模的词对齐方法的效果。另外,本章实验证明了更好的Transformer词对齐可以获得更好的机器翻译干预的效果。总体上,本文的研究工作包括了两种有效的机器翻译干预的方法,分别是基于语码转换的数据增强的方式,和基于词对齐指导解码过程约束的方式。另外,本文还提出了两种提升Transformer词对齐准确率的方法,以提升基于解码过程约束的干预方法的效果。