随着社会的发展和进步,人与人之间的沟通交流变得愈发频繁,而拥有一种可以跨越地域限制、打破语言障碍的沟通方法就显得尤为重要。然而,大数据时代的到来,给利用传统人工翻译方法处理海量语言信息的工作带来了极大的困难。机器翻译技术的出现顺应了时代要求,且机器翻译技术的应用离不开大量高质量平行语料库的支撑。面对蒙语这种小语种语言,由于其使用范围较小且蒙古族经济文化发展相对缓慢等原因,使得高质量蒙汉平行语料的收集变得十分困难。因此,如何高效、合理、充分的利用已有语料提高蒙汉翻译模型的质量成了一个重要研究内容。基于此现状,本文依次从以下三个方面进行了基于协同训练的半监督蒙汉神经机器翻译的研究。首先,对已有的全部语料进行预处理,分别针对数据集的划分、语料规模的确定、语料的切分以及BERT预训练进行了研究,并对每一部分内容进行了实验论证,为后续研究的顺利开展奠定基础。然后,针对译文质量不佳、模型泛化能力不强的问题,采用半监督的条件序列生成对抗网络进行翻译模型的训练。为了获得更好的效果,对生成器模型和鉴别器模型分别应该采用哪种神经网络的问题进行了研究;对基于注意力机制的Transformer模型通过优化损失函数的方式进行了改进;在生成器和鉴别器进行对抗训练的过程中采用了加入BLEU函数Q的策略梯度算法;并对以上所有研究进行了对比实验。最后,针对蒙汉平行语料稀缺导致的翻译模型质量不佳问题,在利用条件序列生成对抗网络训练翻译模型的基础上引入了协同训练方法。在该方法的应用过程中,采用了平行语料质量较好且较易获得的英汉翻译模型与蒙汉翻译模型进行协同训练,且采用困惑度评测方法对系统所产生的两种汉语译文进行选择。另外,英汉翻译模型的输入是由蒙语单语转化而来的英语,这涉及到了蒙英平行语料的获取和蒙英翻译模型的构建。最后对所有研究内容进行了对比实验,得出实验总结。以上研究中,蒙汉翻译模型质量的评测都采用BLEU评测方法,通过对各个实验数据的对比分析,发现基于协同训练的半监督学习方法在提高蒙汉翻译模型质量方面具有一定的优势,这将对蒙语的发展、各族文化的交流甚至经济贸易的发展具有一定意义。