机器翻译是用计算机将一种自然语言翻译为另外一种自然语言的技术。由于具有良好的适应性，统计机器翻译成为现在主流的机器翻译方法。虽然统计机器翻译的模型在不断的发展变化，但是词对齐至今仍然是绝大多数统计机器翻译系统的基础。　　人们已经对词对齐这个问题进行了大量的研究。从学习范式讲，词对齐模型可以分为生成式和判别式两种。生成式词对齐模型对双语语料的生成过程进行建模，可以进行无监督训练，不需要人工标注语料，但是现有的生成式词对齐模型一般不便于加入已知的先验知识。判别式词对齐模型在给定双语句对的情况下，直接对词对齐进行建模，对词对齐有用的信息一般以特征函数的形式加入到模型里面，便于利用各种已知的先验知识，其缺点是大多数判别式词对齐模型需要人工标注语料，进行有监督的训练。　　目前，有研究尝试把这两个模型的优点结合起来。本文受到这些研究工作的启发，做了以下的工作:　　1.提出了一种基于特征函数和反向转录文法(ITG)的无监督词对齐模型，使用对数线性模型对文法规则的概率建模，先验知识可以通过特征函数的形式加入到模型里面，而模型仍然可以进行无监督训练。　　2.在模型的参数训练方面，本文在模型的优化目标上增加了一个L1正则化因子，使得模型能学到一个稀疏的解，把文法规则概率集中到了对词对齐有用的文法规则上面，提高了词对齐的质量。　　3.开发了一个基于ITG的无监督词对齐软件工具，实现了传统的ITG无监督词对齐模型和基于特征函数的ITG无监督词对齐模型。　　本文在词对齐和机器翻译两个方面进行了相关的实验。实验结果表明，本文提出的模型无论是在词对齐还是在机器翻译方面都优于传统的ITG无监督词对齐模型。