翻译服务的重要性随着经济全球化的加速,日益显著。机器翻译相较于人工翻译,成本更低,速度更快,也因此更适应当今时代。神经机器翻译技术使用深度学习方法在平行语料上进行训练并获得翻译模型,已经成为当前主流的机器翻译方法。神经机器翻译快速发展的过程中,一直面临着较多挑战。在诸多挑战中,本文分别在数据稀疏和模型改进两个方面进行了研究工作,主要包括以下内容:1)提出了一种场景通用的数据增强方法。本文分析了富资源场景和低资源场景下对于平行语料多样性与高质量的困境,结合低频词替换方法和反向翻译方法实现互补。本方法将反向翻译方法生成的伪平行语料通过低频词替换进一步增强,并在低资源场景时额外添加了语法纠错模块以减少语法错误。实验数据按照10:1的比例划分了富资源和低资源场景,从骨干网络以及相关工作两方面选择了模型与方法进行了对比实验。实验结果验证了本文提出的数据增强方法同时适用于富资源与低资源场景,可以有效地增强训练语料从而提升翻译任务的表现。2)提出了基于有向无环图的多粒度特征融合方法。不同于单一粒度输入,本文利用有向无环图融合了字符粒度和MSR,PKU和CTB三种分词粒度作为输入并得到了位置表示。为了使多粒度特征能够输入Transformer模型,本文改进Transformer模型,提出了多粒度位置编码（MGPE）和多粒度自注意力（MGSA）。多粒度特征输入与单一粒度输入之间的对比实验表明多粒度特征输入能有效提升模型在翻译任务上的表现。3)在多粒度特征作为输入的基础上,引入了动态词向量改进了词嵌入模块。一方面,考虑到现有神经机器翻译模型的文本特征化方法均使用静态词向量,无法有效表征一词多义的情况,另一方面,考虑到多粒度特征输入要求模型有更强的编码能力。本文使用ELMo模型获取动态词向量嵌入。对比实验表明,动态词向量嵌入相比静态词向量嵌入方法在WMT和NIST翻译任务上平均高出1.10和1.39个BLEU值,验证了动态词向量嵌入能有效提升模型在翻译任务上的表现。