近年来,随着统计机器翻译技术的发展,基于句法的统计机器翻译逐渐成为研究热点。同传统的基于短语的方法相比,基于句法的方法在翻译过程中能够利用更多的语言学知识,可以更好的指导翻译过程。本文在依存句法分析的基础上,构建了一个依存语法翻译模型,设计并实现了一个完整的统计机器翻译系统,并在此基础上进行了改进。首先,本文构建了一个依存子图(treelet)到串的统计机器翻译模型。该模型的基本单元是对齐模板,其中源语言端是依存子图,目标语言端是串,两端允许变量泛化,对齐模板可以按照一定的约束条件从训练语料中自动获取。在翻译模型的基础上,设计并实现了基准系统。其次,本文对模板选择问题和未覆盖节点译文操作问题进行了研究。针对模板选择问题,采用了两种选择策略,一是为翻译模型增加模板判别特征函数,如长度不一致惩罚,变量数目惩罚等特征,利用最小错误率训练获得权重;二是为对齐模板增加词性信息标记,从而使模板获得一定语言学知识的约束。模板选择实验结果表明,仅添加模板判别特征可以提高BLEU值,而仅增加词性信息标记并没有提高系统的性能,但是利用词性标记将模板库分层后,优先匹配词性标记模板,可使BLEU值有所提高。针对未覆盖节点的译文操作问题,本文构建了一个基于统计的粘贴模型。首先从训练语料中抽取粘贴实例,然后抽取了首词、组合等特征用于最大熵建模,实验结果表明,粘贴模型可以有效的控制未覆盖节点译文的顺序。在NIST MT 2005测试集上,同时应用模板选择和粘贴模型,保留未登录词的系统的BLEU值比Moses高0.0021,删除未登录词后BLEU值可以达到0.2540,证明我们的改进方法是比较有效的。