机器翻译是在自然语言处理的研究领域中重要并且具有挑战性的任务之一。在机器翻译的各种方法中,神经机器翻译是发展速度最快、最受欢迎的一种机器翻译方法。它以大规模平行语料为驱动,所以在低资源条件下训练泛化能力较好的神经机器翻译模型更加困难。因此,有迫切的需求研究低资源条件下性能更好的神经机器翻译模型。然而存在几个问题:（1）如何实现性能更好的分词系统来帮助低资源机器翻译;（2）如何高效、充分地利用高资源语言;（3）如何生成高质量的伪数据。本文的研究成果可以归纳如下:基于自监督词切分的低资源神经机器翻译方法词切分在自然语言处理领域中是核心的基础研究。性能更好的中文分词模型可以进一步提升低资源场景下的神经机器翻译模型的性能。目前最先进的基于神经网络和预训练的方法已取得了良好的效果。然而,前人的工作着重于用静态的数据训练模型,因此有必要用带噪声的数据验证分词模型的鲁棒性。本文中我们基于修改的掩码语言模型和改进的最小风险训练方法,提出了一种简单、有效的自监督中文分词方法。实验结果表明,我们的方法在公开的中文分词数据集上取得了显著的提升。基于迁移学习的低资源神经机器翻译方法在低资源神经机器翻译研究领域中出现了许多优秀的技术。最近,迁移学习在低资源神经机器翻译中得到了广泛的应用。然而,最原始的迁移学习方法无法充分利用高度相关的多个高资源语言。为了解决此问题,本文中我们提出了多轮迁移学习方法和统一化转写方法。除此之外,我们考虑到原始的迁移学习在训练父模型时很难学到有关子模型的信息,因此提出了混合迁移学习方法。实验结果表明,这两种思想在公开的数据集上取得了显著的提升。基于数据增强的低资源神经机器翻译方法数据增强方法在许多文本生成任务中得到了广泛的应用。特别是在低资源神经机器翻译研究领域中,出现了许多数据增强技术。然而,前人的方法很难保证伪数据的质量。在本文中,我们通过约束采样方法来扩充语料库并构建了一个判别器子模型,以在一定程度上减少语法错误。除此之外,我们还基于复述表和词性标注来构造伪数据,减少伪数据的语法错误。实验结果表明,这两种思想在公开的数据集上取得了显著的提升。