机器翻译旨在实现不同语言之间的自动化翻译，降低不同语言使用群体之间的沟通代价，促进全球各个国家和地区之间的经济、政治和文化交流，具有巨大的研究意义和实际使用价值。从提出至今，机器翻译问题一直是自然语言处理领域中最受关注的研究热点。　　纵观机器翻译模型的发展历程，根据模型构建的方法进行分类，大致可以将其划分成三个阶段:规则机器翻译模型阶段、统计机器翻译模型阶段、神经网络机器翻译模型阶段。规则机器翻译模型是20世纪80年代的主流模型。规则机器翻译模型的搭建方式是语言学家对翻译知识进行总结和形式化，编写大量的人工规则，实现一种语言结构到另一种语言结构的映射。规则式机器翻译模型中的翻译知识表达明确，但是系统搭建繁琐，代价较高。1993年，统计机器翻译模型被提出，由于其语言无关且方便搭建的特性，一度成为主流的机器翻译模型。统计机器翻译模型的搭建只需要双语平行语料，一定程度上摆脱了对开发者语言学背景的依赖，但系统的流程化训练过程中存在优化目标不一致和错误传播等问题。2014年以后，神经网络机器翻译模型被提出，该模型采用一个神经网络对平行语料中的翻译知识进行拟合，将所有的参数统一到一个目标函数下进行优化。目前，神经网络机器翻译模型在多个语言对上的翻译效果已经大大的超过了传统的统计机器翻译模型。然而受限于当前模型对训练数据的拟合能力，译文中往往存在错翻、漏翻等等错误，依然难以满足用户对高质量译文的需求。针对神经网络机器翻译模型的优化和提升研究，成为当前研究领域中的热点问题。本文致力于对神经网络机器翻译模型的性能进行优化提升，提高译文质量。本文的主要研究成果包括如下三个方面:　　1.提出了融入词语调序模型的神经网络机器翻译模型　　由于不同的语言之间存在结构性差异，具有相同的语义的词汇集合在构成句子时，会产生语序不一致的情况。这种语序不一致性表现在机器翻译问题上，就是在生成译文的时候，很大的概率不是对源端词汇从左到右逐词翻译的，在注意力机制中融入了一个词语调序模型，使得在当前时间步定位待翻译的源端词的时候，考虑到与上一时间步翻译的源端词的相对距离。融入词语调序模型的神经网络机器翻译模型的性能超过了基本的神经网络机器翻译模型，调序模块可以有效的捕获语料中的调序知识。　　2.提出了多编码器多解码器结构的神经网络模型　　对神经网络机器翻译模型单编码器单解码器的模型结构进行了改进，成为具有多个编码器多个解码器的模型。多编码器结构允许使用多个具有不同深度或类型的编码器对源端句子进行分布式表示，使得对源端句子的表示更加丰富有效。多解码器机制允许多个解码器同时对目标端句子进行解码，使得解码器的目标端句子生成能力更强。多编码器多解码器结构能够有效的提升翻译模型的能力，与加深或是加宽网络的方式相比，该结构参数量线性增长，性能持续提升。　　3.提出了高性能的维汉神经网络机器翻译系统　　维汉翻译问题面临着数据规模小、维语形态变化丰富等难题。针对维汉机器翻译任务，分别进行了基于字、词、BPE等翻译单元粒度的实验，探索了两种语言翻译单元的最优粒度。与新疆大学合作构建了当前最大规模的维汉平行语料，在该语料上，利用多编码器多解码器结构，搭建了一个高性能的维汉神经网络机器翻译系统。该系统的译文质量大大的超过了基于短语的统计机器翻译系统和基本的神经网络机器翻译系统。