在信息化时代,理解不同语言的文字是人们获取国际化信息必不可少的途径。在跨语言交际中,专业化的人工翻译由于成本高、耗时长等因素难以普及,快速而又便捷的机器翻译应运而生,成为人们日常生活中难以或缺的一种工具,也为人工翻译提供了重要辅助。机器翻译是自然语言处理研究领域的一个重要分支,主要是依靠计算机从语料库的平行语言对中自动学习,然后利用所学的知识对其他句子进行翻译的过程。随着深度学习和神经网络技术的迅速发展,神经机器翻译成为目前最主流的机器翻译体系。神经机器翻译采用基于注意力机制的端到端模型,相较于传统的统计机器翻译,取得了突破性的成果,逐渐成为商用翻译软件的核心技术。然而,这也在社会上引起了很大的争议,例如机器翻译是否会取代人工翻译。尽管与几年前相比,机器翻译质量有了显著的提升,但是与专业的译者相比依然存在很大差距,科研人员面临的技术难题还很多,想真正取代人工翻译还任重而道远。从提高翻译性能角度入手,本课题对神经机器翻译中的两个关键问题进行了深入研究。第一,传统的基于交叉熵的损失函数在建模时倾向于覆盖所有观测到的数据分布,往往会导致过拟合且引入错误的概率量。根据交叉熵和Kullback-Leibler（KL）散度的数学等价关系,结合正确分布和预测分布间的双向KL散度,我们提出了一种更加完备的目标函数来对训练过程进行优化,从而达到提升翻译得分的目的。第二,神经机器翻译由于解码时计算复杂度高,为控制计算量,词汇表一般被约束在3万到5万之间,但是翻译本身是一个开放词汇的问题,翻译性能很大程度上受到限制。为了解决罕见词的表示问题,我们结合了中文分词中的切分标准和字节对编码技术,提出了一种非监督的子词切分算法。经过充分的实验证明,以上两个问题的优化策略,对于神经机器翻译的性能都有稳定的提升。本文对实验结果也进行了深入的分析与探讨,在一定程度上为以后进一步的相关研究提供了参考。