机器翻译是自然语言处理领域中一个重要的研究方向,主要研究从一种语言到另一种语言的自动翻译。随着深度学习研究的逐渐深入,神经网络在机器翻译领域的应用逐渐变得广泛,以及学者们孜孜不倦的研究使得机器翻译的性能一直在提升。当前,神经机器翻译能够取得较好的结果主要依赖于语言对的语料丰富,因为作为一种数据驱动的方法,神经机器翻译的性能高低严重依赖于语料质量的好坏和语料规模的大小。对于数据稀疏的语言对来说,神经机器翻译需要寻找其它方法缓解数据不足带来的对性能的影响。到目前为止,对语料贫乏的语言对的研究主要集中于对单语语料、迁移学习等方法。此外,实际应用中,训练数据和测试数据的边缘概率不同的情况是非常普遍的。因此,为了缓解语料稀疏问题以及训练数据和测试数据的边缘概率不匹配问题对性能的影响,本文进行了基于微调的无监督域适应蒙汉神经机器翻译模型的研究。首先,针对蒙汉领域内平行语料缺乏的问题,本文使用了域感知特征嵌入模型。使用领域内蒙汉语料和领域外英汉语料训练模型,获取汉蒙域内翻译所需的参数,然后将参数迁移至子模型并对子模型进行初始化后,使用这个模型将领域内汉语语料翻译为领域内蒙语语料,使用生成的平行语料进行后续训练。其次,对语料进行了子词级别的切分。蒙古语属于黏着语,单词由词根、词干和词缀组成,构词方式通常是在词干的前后附着词缀,故本文采取子词级别的切分方式,将蒙古文单词切分成字符组合,介于单词级别的切分方式和字符级别的切分方式之间,不仅可以有效地缓解未登录词的现象,还减少了单词词表量,还尽可能得保存了单词的语义特征。接着,为了增大训练语料的数量,并在一定程度上缓解数据量小造成的过拟合问题,本文使用了数据选择方法。根据领域内和领域外语料,对领域外语料的每条语句生成一个相似度分数,挑选相似度低于阈值的领域外语料,将挑选出的这部分语料引入领域内模型的训练。其中,阈值设定多个值,通过对比实验,从中选择结果最佳的阈值,实验结果表明使用数据选择方法可以提升模型翻译性能,提高BLEU（Bilingual Evaluation Understudy,双语评估替补）值。最后,使用课程学习策略对模型进行训练,将根据阈值挑选出的领域外语料按照相似度排序并平均分成多个片段后,按照一定概率选取语料以片段的方式喂入模型,通过机器翻译中的BLEU值对翻译结果进行评估。实验结果证明使用课程学习策略一定程度上提高了模型的翻译性能。