近年来,随着深度学习技术的迅速发展,基于Seq2Seq的神经网络机器翻译模型(NMT)的性能得到极大的提升,并且在很多语言对上的性能都超过了传统的统计机器翻译模型(SMT)。但不论是基于RNN的Seq2Seq还是基于self-attention的Transformer,它们通常会遇到错误偏置(exposure bias)的问题:在进行解码时容易产生具有良好前缀但不良后缀的不平衡目标。针对这个问题,本文对目标端双向解码进行了研究,并提出了基于目标端双向解码一致性的机器翻译模型。课题研究的主要内容包括以下几部分:(1)目标端双向解码的研究。传统的神经机器翻译模型在进行解码时是基于先前生成的token去预测下一个token。这样早期生成过程中的错误会被保存并传递,影响后续的生成结果。因此,本文提出在解码阶段加入反向解码,并将正向解码和反向解码的候选结果利用联合模型进行重排序,进而实现目标端的双向解码。实验结果表明,目标端双向解码有助于机器翻译任务性能的提高。(2)机器翻译双向一致性解码模型的研究。目标端双向解码模型仅通过重排序从2k-best个候选者中找到最优结果,针对候选者并没有解决exposure bias的问题,本文将两个模型之间的一致性信息加入到训练目标中,提出了目标端双向解码一致性模型。即在目标端双向解码模型的基础上,将KL散度引入NMT训练目标,让两个模型联合调优从而实现一致性学习。实验结果表明,exposure bias问题得到了真正的缓解,模型的性能符合预期。(3)双向一致性解码模型的改进。由于双向一致性模型的联合调优异常耗时,本文先通过预训练得到一个较好的模型,该方法使得机器翻译的速度得到明显提高,同时又保证了模型的性能。除此之外,我们还通过大量的实验找到了一个平衡因子去调整KL散度对目标函数的贡献,使得模型的性能得到了进一步的提升。