语义分析、语言生成以及机器翻译都是自然语言处理领域的重要研究方向。其中语义分析旨在把自然语言转化为语义表达式,而语言生成是将语义表达式转化为自然语言,可以说语言生成是语义分析的逆过程。本文研究内容包括如下三个方面:围绕语义分析,本文分别探索了基于层次短语的统计机器翻译和神经机器翻译在语义分析中的应用。具体地,首先,针对语义分析任务特点,从三个方面改进现有的层次短语翻译框架,提高语义分析的性能:第一,从语义表达式中获取到更详细的语法和结构信息,细化同步上下文无关文法中的非终结符;第二,探索多种不同词对齐方式,分析并归纳出适合语义分析的对齐方式;第三,提出了基于近义词的未登录词翻译规则生成方法。其次,探索了多语言的语义分析方法,在传统编码—解码框架上提出了双编码—解码模型。实验结果表明,多语言输入能有效提高语义分析性能。围绕语言生成,本文也分别探索了基于层次短语的统计机器翻译和神经机器翻译在语言生成中的应用。具体地,针对语言生成任务的特点,从两个方面改进现有的层次短语翻译框架:第一,探索几种不同对齐方式,分析并归纳出适合语言生成的对齐方式;第二,针对n-best翻译结果,提出一种基于预测问题答案类型的过滤方法,进一步筛选出最优的语言生成结果。其次,本文还探索了神经网络机器翻译在语义表达式到多语言的语言生成中的应用,在传统编码—解码框架下提出了编码—双解码模型,实验结果表明,该模型能够有效提高语言生成性能。最后,探索了语义分析和语言生成在机器翻译中的应用。先将一种自然语言转化为语义表达式,再将语义表达式转化为另一种自然语言。为缓解转化过程中产生的错误积累,本文提出使用基于n-best语义分析结果的语言生成方法来提高翻译性能。