篇章级神经机器翻译（Document-level Neural Machine Translation,DNMT）通过神经网络将一种语言的篇章翻译成另一种语言,并且译文需要符合篇章表述逻辑。然而,大多数翻译系统均以句子为翻译单元,忽略了篇章中各个句子间的内在联系。针对此问题,本文提出有效的篇章级神经机器翻译模型,通过融入源端和目标端篇章上下文中有效的信息,来辅助当前句的翻译,从而提升机器翻译性能。本文主要从以下几个方面展开篇章级机器翻译研究:（1）融合目标端上下文信息的篇章级神经机器翻译。目前,大多数篇章级神经机器翻译方法利用源端篇章的上下文,而忽略了目标端篇章上下文的重要性。在此背景下,本文提出了融合目标端上下文信息的篇章神经机器翻译。具体地,本文借助推敲网络的思想,对篇章源端进行二次翻译,第一次基于句子级翻译,第二次翻译参考了全篇的第一次翻译结果。实验结果表明,在引入较少的参数量的条件下,该方法能够显著提高翻译性能。同时,随着第一次翻译（即句子级译文）质量的提升,本文所使用的方法也更有效。（2）基于多视角注意力的篇章级神经机器翻译。序列到序列模型Transformer在句子级神经机器翻译任务上已取得了瞩目的效果,但直接翻译长文本时,却很难达到较好的翻译效果。本文首先分析了 Transformer模型在长文本（篇章）上翻译性能欠佳的主要原因,然后据此提出了多视角注意力机制,主动地关注序列内各种内容,让一部分注意力头关注当前句,另一部分注意力头关注篇章信息。实验结果表明,本文方法简单有效,在不增加任何参数的情况下,能有效提升篇章神经机器翻译性能。（3）融合源端篇章主题信息的篇章级神经机器翻译。自然语言中存在着大量的一词多义的现象,不同的语境下,同一单词所表达的含义可能不同。针对这一现象,本文提出了融合源端篇章主题信息的篇章神经机器翻译,将主题模型提取的源端篇章主题信息同当前句的表示进行融合。实验结果表明,本文方法能有效提升神经机器翻译性能;同时,本文分析了篇章主题信息和前人所提出的篇章翻译模型所提取的篇章信息之间的互补性,实验结果表明,两种方式所提取的篇章信息相似度比较高,但仍能一定程度上提升模型翻译性能。