机器翻译是自然语言处理重要的研究领域。目前神经机器翻译的性能依赖于高质量大规模的平行语料库。受计算资源、训练时间以及模型框架限制,模型训练只能利用长度适中的平行句对,过长的句对会被丢弃,造成资源浪费。因此,研究如何把双语长句分割成为有效的句对,具有重要的理论意义和实用价值。传统的双语句对分割方法包括基于规则、基于统计、规则和统计结合的方法等。但是此类方法存在对语种具有依存性、分割精度不高等缺点。为了解决此问题,本文重点研究基于深度学习的双语平行语料库的长句对的分割方法,从而提高语料的利用率,提高翻译系统的翻译精度和翻译质量。本文的主要工作和创新点包括:(1)提出了一种基于深度学习的双语长句分割方法,通过结合单语分割模型和句子对齐模型召回长句对中高质量的短句对。实验结果证明,该双语分割方法的分割精度得到了有效提升,并可提升机器翻译的性能。(2)提出了融合依存句法结构的单语长句分割模型,通过结合基于神经网络的序列标注方法和依存句法结构提高单语分割的精度。实验结果证明,相较于传统方法,本文提出方法在中文单语长句分割任务上F1值提升了 2.06个百分点,在英文长句分割任务上F1值提升了 0.9个百分点。(3)提出了融合预训练语言模型的句子对齐模型,通过预训练语言模型获得更优质的句向量进行双语对齐任务。实验结果证明,该方法的句子对齐精度相比于传统方法F1值提高了 20.1个百分点。总之,本文创新性的提出了结合分割模型和对齐模型的双语分割方法,在单语分割和双语分割任务上的实验结果都远高于传统方法,证明了提出方法的有效性和实用性。