近些年来,随着深度学习技术的逐步成熟,自然语言处理技术得到了迅猛的发展。其中,机器翻译作为自然语言处理领域中最具挑战性的研究任务之一,性能也得到了大幅度的提升。目前,机器翻译的研究重点已从统计机器翻译过渡到了神经机器翻译。这是由于传统的统计机器翻译模型通常都需要人工设计各种特征,并进行组合。但这种方式需要大量的人力、物力,难以获得高质量的人工标注数据,进而导致严重的数据稀疏问题,极大的影响翻译性能。神经机器翻译弥补了这些不足,它采用了一种端到端的‘‘编码器-解码器’’的结构来进行翻译建模。主要改进了两方面:一方面是采用了分布式向量来表示语言单元,与统计机器翻译的离散表示方法不同,这种连续空间表示方法增强了语言单元之间的联系;另一方面是采用卷积、循环等神经网络模型对不同的语言单元进行组合,不需要人为设计各种特征就可以获得丰富的语言单元的语义信息,增强语义表示能力。实验表明,利用这些神经网络学习到的语义信息特征可以极大提高机器翻译的性能。然而,目前的神经机器翻译并没有显式地加入短语级、句法级等语义信息,只是利用了源端的词级语义信息来生成目标翻译。为了充分利用语义信息,本文进行了基于语义信息的神经机器翻译建模研究。首先不同于传统的基于源端词汇级语义机器翻译建模,本文首次提出研究目标端词级语义机器翻译的建模方法,该方法可以充分利用目标端的历史和未来词级语义信息。其次,为了解决源端和目标端的语义信息空间异构问题,本文分别从短语级、句法级和句子级三个层面统一重构双语语义空间,提升双语语义空间的映射一致性,从而提升机器翻译的性能。本文的研究内容概括为以下四个方面:1.基于目标端词级语义的神经机器翻译:当前,注意力机制已经被证明是一种有效的神经机器翻译方法。它通过调整源端词级语义的注意力权重来获取有用的信息,从而生成更好的目标端词语。注意力机制可以很好的处理长距离依赖问题,可以缓解信息在循环神经网络中长距离传输出现丢失等情况。但目前的注意力机制都应用在源端,并没有显式地考虑目标端（Transformer模型也仅考虑了目标端的历史词级信息,没有考虑未来词级信息）。而统计机器翻译则是通过引入语言模型来促使目标端词语之间的语义关系更加紧密,从而使译文更加流畅。这说明目标端词语之间的语义关系也十分重要。为了解决这个问题,本文提出了一种基于目标端词级语义的神经机器翻译模型,它可以获得目标端词语之间的语义信息,动态地调整的目标端词语的注意力权重,以便更好的生成译文。2.基于短语级语义一致性的神经机器翻译:短语在自然语言处理任务中有着非常重要的位置。尤其是在传统的统计机器翻译问题中,它的基本翻译单元就从单词级提升到了短语级。随着短语结构的引入,统计机器翻译的性能也得到了大幅的提升。但在目前先进的神经机器翻译模型中,多是以单词级为基本单元,进行解码翻译。所以如何将短语级的语义信息加入到神经机器翻译模型中就成了一个热门问题。为此,本文提出了一种基于短语级语义一致性的神经机器翻译模型。该模型可以同时考虑源端和目标端的短语级语义信息,并让它们的短语级语义空间更接近。这样,神经机器翻译模型可以同时结合短语级和单词级语义信息来生成翻译预测。3.基于句法级语义一致性的神经机器翻译:句法结构分析是一种关键的自然语言处理技术之一。一方面自然语言的理解需要句法结构分析,另一方面句法结构分析也可以为其他自然语言处理任务提供支持。这是由于语义信息的表示通常用句法结构分析的结果作为指引。在机器翻译任务中,传统的统计机器翻译模型就引入了句法结构分析特征来提升翻译性能。但在目前的神经机器翻译模型中,仅在源端尝试了该方法。为了引入两端的句法结构语义信息,本文提出了一种基于句法级语义一致性的神经机器翻译模型。在源端和目标端分别引入多粒度的句法结构语义信息,并缩短它们之间的句法级语义空间向量的距离,使两端的句法级语义也保持一致。4.基于句子级语义一致性的神经机器翻译:目前的神经机器翻译都是使用大量的平行语料进行训练,源句与目标句之间存在着天然的对应关系。但传统的神经机器翻译训练目标是使译文中的单词与参考中的单词之间损失最小化,并没有显式地考虑句子级的语义关系。而进行翻译时,人们考虑的是待翻译句子的全部语义,而不是逐字地进行翻译。针对这个差异,本文提出了一种基于句子级语义一致性的神经机器翻译模型,它可以显式地引入了句子级的语义信息。这种神经机器翻译模型首先对源端和目标端的句子级语义表示进行建模,然后引入一个额外的损失函数来缩短两者的语义空间距离。本文还在此基础上使用了目标端的句子级语义信息来加强源端的语义表示,从而更紧密地结合了两端句子级语义信息。