神经机器翻译模型在资源丰富的语种之间具有较好的翻译效果,但是在低资源语言之间翻译效果不佳。由于缺乏大规模的平行句对,模型在处理更大的词汇量方面有一定的局限性。通常神经机器翻译系统将源语言和目标语言中的常见单词作为词汇表,不在词汇表中的单词用UNK（Unknown Words）代替,这可能会忽略较大的文本粒度所携带的信息,如:命名实体,从而会影响翻译结果的质量。对此本文提出了融入双语实体的汉越神经机器翻译方法,改进模型对平行语料中命名实体的翻译准确性,我们首先通过融入实体信息的方式提高命名实体识别模型对命名实体的识别率,然后基于回译的方法构建了汉越命名实体词典,最后将构建的汉越双语词典融入Transformer模型中,改进了现有的Transformer翻译模型,提高了模型的翻译质量。本文主要在以下三个方面展开研究工作:（1）融入实体信息的命名实体识别。针对预训练模型BERT容易忽略大粒度文本信息的问题和模型对长实体识别率低的问题,在基于预训练模型方法BERT+Bi LSTM+CRF的基础上提出了一种融入实体信息BERT模型的命名实体识别方法。首先从开放的单语语料中抽取实体来扩充实体词典,通过匹配词典获得Flat-Lattice序列,然后将Flat-Lattice序列送入BERT进行编码,通过Bi LSTM神经网络获取文本的局部特征和全局特征,增加Attention层对输入的句子进行加权处理,将加权后的数据输入CRF层,通过CRF层提取出相应的实体。该方法在人民日报数据集、MSRA数据集上取得的F1值为95.78%和95.45%,越南语数据集COVID-19上进行了实验,取得的F1值为94.04%,验证了本文方法的有效性。（2）基于回译的汉越双语实体词典构建。命名实体词典是解决翻译中实体词无法准确翻译的重要知识,但是现有的双语词典构建工作都需要依赖于大规模的平行语料库。越南语属于低资源型语言,为了减少对双语平行语料的约束,本文提出了一种基于回译的方法,利用命名实体识别模型从大规模的可比语料库中获取汉语和越南语的单语实体,用少量的平行数数据训练出翻译模型,将单语实体翻译成目标实体,通过实体匹配和BERT双向计算实体的相似度,最终得到高质量的双语实体词典。（3）融入双语实体的汉越神经机器翻译方法。大多数神经机器翻译（NMT）模型通常以子词作为输入,以解决词汇表外单词的问题。但是,使用子词作为输入可能会忽略较大的文本粒度所携带的信息,这会导致重要语义信息的丢失。针对上述问题提出了一种有效的将命名实体（NE）标签信息融入Transformer的方法。通过构建双语实体词典,对训练句子中的实体词进行标签化替代,这样能提高词表的利用率,最后通过后处理得到最终的翻译结果,该方法在汉越数据集上提升了模型对实体翻译效果。