篇章级机器翻译是一项具有挑战性的任务。目前已有很多工作在篇章级机器翻译中语篇现象的捕捉问题上进行改进。然而,大多数现有的方法都是使用一个固定范围内的所有上下文语句。但实际上,不同的句子需要不同长度的上下文,甚至有些句子不需要上下文语句。为了解决这个问题,本文提出了可变上下文长度的篇章级机器翻译的方法。本文总结了现有的篇章级机器翻译的方法,分别在基于神经网络的多编码器篇章级机器翻译模型以及单编码器篇章级机器翻译模型上实现了可变上下文长度,并且可以判断出当前语句是否需要上下文信息。为了进一步选择出合适的上下文语句,本文还设计了一种正弦位置嵌入来联合编码单词位置和句子位置信息,并进一步扩展到一种可学习的正弦方式来有效区分两种位置粒度,即单词位置和句子的位置。这种方法不仅可以实现不同粒度位置信息的联合编码,同时还可以保证计算过程中语序的正确性。最后,本文在三个数据集上对所提出的方法进行了实验,证明了其能有效地利用上下文语句并为不同的句子选择合适的上下文,提高了篇章级机器翻译的性能。