机器翻译作为自然语言处理中的热门领域,近几年获得了迅速发展。从传统的统计机器翻译(Statistical Machine Translation,SMT)到基于循环神经网络的神经机器翻译(RNN-based Neural Machine Translation,RNMT),然后发展为以 Transformer 为代表的基于自注意力机制的神经机器翻译。目前,神经机器翻译逐渐成为机器翻译的研究主流。神经机器翻译使用编码器-解码器架构,编码器分析源端句子,解码器生成目标端句子。然而,由于缺乏语言学知识的指导,译文往往会出现错译、漏译和过译等问题。语义角色作为语言学知识的一种,常用于表示句子的语义,一个好的译文在语义上与原文通常是等价的。因此,本文针对RNMT和Transformer这两种神经机器翻译模型,探索了语义角色在其中的应用,本文主要包含以下两方面研究内容:(1)本文提出两种融合源端语义角色的RNMT模型,第一种模型将语义角色标签嵌入到句子词汇序列合适的位置,用于表示句子哪些片段担当了何种语义角色;第二种模型为源端句子的每个单词制定含有语义角色信息的特征,并将词向量与该语义角色特征向量拼接获得新的词向量。在中英翻译任务上的实验结果表明,本文提出的两种融合语义角色的RNMT模型在多项评测指标上都获得了提升。进一步的实验分析也表明本文提出的模型在长句翻译和漏译情况上都取得了比基准系统更好的效果。(2)本文提出两种融合源端语义角色的Transformer模型。第一种模型扩展源端编码器中的多头自注意力机制,使其能够加入语义角色信息;第二种模型额外增加一种语义角色编码器,新增的语义角色编码器能够融合源句及其语义角色信息。在英德翻译任务上的实验结果表明,本文提出的两种融合语义角色的Transformer模型在多项评测指标上都获得了提升,进一步的实验分析也表明译文质量得到改善。