在统计机器翻译中，领域问题对翻译系统的性能具有很大影响，当训练语料与测试语料来自同一领域时，翻译效果比较好，反之则翻译性能会下降。随着互联网的发展，用于统计机器翻译的双语平行语料越来越多的来自于网络，这些数据一个重要的特点是领域混杂，没有明确的领域边界。本文将探讨此种条件下，如何提高翻译系统的领域自适应能力。本文首先探讨了双语平行语料的主题挖掘问题，提出了两种融合双语语言信息的主题模型：双语LDA和projected-LDA。每得到一个主题都被视为一个领域，这样，为平行语料库中每个平行句对都获得属于不同领域的概率信息，达到软聚类的目的。本文接着研究了自适应词对齐的技术，在传统的词对齐模型基础上，融入领域信息，得到领域相关的词对齐模型，然后在此基础上搭建领域相关的翻译模型，结果表明，自适应的词对齐模型能一定程度上改善词对齐结果，提高翻译性能。在获得不同领域的翻译模型后，给定待翻译的语句，本文探讨了多翻译模型下的解码策略，根据待翻译语句中的主题分布，选择最相似的翻译模型进行解码。实验证明，该策略能够有效提高系统的翻译系统的性能，最终完成本文提出的任务。