机器翻译技术研究如何利用计算机将一种语言自动地转换为另一种语言,由于其有效性及便利性而得到持续的关注。近年来,随着深度学习技术的发展,神经机器翻译已经成为机器翻译技术的通用形式。尽管取得了一定的效果,神经机器翻译技术仍然存在表征不足,信息挖掘不充分等问题,特别是在数据缺乏的低资源情况下。本文针对神经机器翻译系统存在的以上问题,以文本粒度为划分依据,聚焦于词与词之间蕴含的句法信息和更大粒度的短语形式命名实体信息,基于Transformer网络结构研究不同粒度信息对机器翻译质量的增强作用。主要完成了以下研究工作:（1）基于句法图指导自注意力的神经机器翻译方法针对神经机器翻译缺乏词与词之间蕴含的句法信息指导的问题,基于Transformer网络提出一种句法图指导的自注意力机制,将源语言句法知识与多头自注意力网络结合,实现词级粒度信息对神经机器翻译的增强。在编码自注意力建模过程中,首先基于源语言句法关系引入一个句法感知的偏置项,之后将偏置项纳入原注意力分布,形成修正的句法感知注意力分布,明确表明在自注意力建模过程中需要更多地关注句法相关的部分。此外,为了缓解句法解析结果的噪声影响,同时提升模型的泛化能力,在多头自注意力网络中采用节点随机丢弃策略,生成多重自注意力表征。在几个标准IWSLT及WMT翻译数据集上的实验结果表明,所提方法能够显著提升Transformer模型的翻译性能,获得了1.12到3.88的BLEU值提升,达到了句法相关研究的最先进水平。（2）基于源语言句法增强解码的神经机器翻译方法针对神经机器翻译解码过程缺乏句法信息约束的问题,进一步探索源语言句法信息对解码过程的影响。基于Transformer网络,提出一种基于源语言句法增强解码的神经机器翻译方法,实现词级粒度信息对神经机器翻译解码过程的增强。在编码自注意力建模过程中,首先基于源语言句法信息构造句法感知的Mask机制,之后引导自注意力网络生成一个额外的句法相关表征。最后,在解码端通过交叉注意力网络将句法相关表征作为原表征的补充融入解码过程,共同指导目标语言的生成。在几个标准IWSLT及WMT翻译数据集上的实验结果显示,与Transformer基线模型相比,基于源语言句法增强解码的神经机器翻译方法获得了0.84到3.41的BLEU值提升,优于之前句法相关的工作。（3）基于命名实体强化编码的神经机器翻译方法针对神经机器翻译对短语粒度的命名实体信息表征不足的问题,基于Transformer网络提出一种基于命名实体强化编码的方法,挖掘深层命名实体信息,实现短语粒度信息对神经机器翻译的增强。首先基于源语言命名实体信息引入一个额外的实体强化编码器,之后借助注意力机制将原编码器生成的源句表征引入强化编码器,对命名实体进行强化编码,生成一个额外的实体强化的源句表征。最后,通过交叉注意力机制,将实体强化表征与原表征依次融入解码过程,指导目标语言的生成。在几个标准IWSLT翻译数据集上的实验结果表明,基于命名实体的强化编码方法能够有效挖掘深层实体信息,进而优化模型表征,显著提高神经机器翻译性能。与Transformer基线模型相比,基于命名实体的强化编码的方法获得了0.79到2.92的BLEU值提升。