近年来,随着深度学习的再度兴起,神经机器翻译NMT逐渐取代了传统的基于短语的统计机器翻译方法,特别是基于Seq2Seq的神经机器翻译模型比较契合端对端的语言翻译模式,获得了业界研究人员的重点关注。然而与传统的统计机器翻译相比,神经机器翻译,特别是基于大规模数据集的神经机器翻译模型仍然存在缺陷,其训练和推理速度缓慢、存在翻译不完全的问题被暴露出来。同时受词汇表规模的限制,神经机器翻译在未登录词和罕见词上同样出现了OOV(out-of-vocabulary)问题。针对以上提到的模型翻译不完全和词汇表OOV问题,本文分别提出了以下解决方案:(1)为了解决神经机器翻译在未登录词和罕见词上的OOV问题,我们将英文文本预处理中常见的词干提取技术和数据压缩算法bpe(Byte pair encoding)相结合,提出了一种不同的基于subword(子词)的词序列分割方法。利用该方法我们将英文文本分割为由子词单元组成的词序列,同时利用unigram将中文文本分割为由汉字组成的字符序列。(2)为了防止解码器出现翻译不完全的现象,本文采用了一种可以提高解码器获取上下文信息能力的改进Attention机制——Deep-Attention。受传统Attention计算过程的启发,我们在改进的Attention中采用了一种双层计算结构以重点关注解码器不同时刻的上下文向量之间的联系,提升Attention获取编码器全局上下文信息的能力。本文以Google开发的神经机器翻译模型GNMT为基础,在三种不同规模的数据集上对以上两种NMT改进方法进行了实验分析。实验结果表明,改进的词序列分割方法能够有效地解决神经机器翻译存在的OOV问题,提升模型翻译的准确度。在BLEU结果评估中,该方法获得了平均1.64个点的提升;而DeepAttention与传统的Attention相比,体现出了微弱的优势,在实验结果上BLEU值提升了0.3-0.6个点。