机器翻译作为自然语言处理领域的重要任务,旨在借助计算机程序将文本从一种自然语言翻译成另一种自然语言。随着近年来深度学习技术的突破,神经机器翻译（Neural Machine Translation）被越来越多研究者所关注,成为机器翻译领域的主流方法。现阶段的神经机器翻译技术采用基于表示学习的方式将输入文本经过模型编码成低维空间中的向量表示,这种向量表示通常融合了源端语言句子和目标端语言翻译片段的上下文语义信息。而机器翻译模型获得的候选句子的分布是由生成的一系列富含语义的向量表示归一化而成,这也意味着词的语义向量表示的优劣直接决定着翻译质量。因此,本文专注于优化翻译模型的语义向量表示,分别进行以下三个方面的研究:（1）提出一种新的基于对比学习的神经机器翻译方法,该方法旨在让相同词的上下文语义表示更接近,不同词的上下文语义表示更疏远。针对样本选择的复杂性,应用多种采样策略,并设置词级别的位置信息存储。同时提出了能够刻画语义表示多样性的指标及建立了语义表示多样性和翻译性能之间的相关性模型,并以此相关性模型来指导对比学习方法的训练过程,从而获得优化的语义向量表示。（2）定义关于合成数据控制回译模型性能的两个关键的因素,分别是合成双语数据的质量及其来源的重要性权重。针对两个因素互斥的特性,提出了基于回译模型的启发式合成数据优化生成方法。相比传统生成方法,该启发式生成方法可以平衡两个因素以获得更优质的合成数据,并在回译模型的正向编码端获得更优质的语义向量表示,从而进一步提高翻译模型的性能。（3）提出一种新的基于检索增强的神经机器翻译方法,该方法使用单语语料来代替双语平行语料进行检索增强相关工作。针对双语平行语料规模有限且获取困难的问题,采用根据单语数据生成的合成语料构建翻译记忆库来存储优化后的语义向量表示,其中利用本文提出的gamma评分解码方法来进行合成单语数据的生成。实验证明,该基于单语检索增强的方法可以获得不亚于基于双语检索增强方法的性能。