跨语言交流的需求越来越大,如何低成本、高效率的解决不同语言之间的交流障碍便成了一个难题。针对该问题,机器翻译便应运而生。目前,基于神经网络的神经机器翻译系统已经在性能上超过统计机器翻译,但以神经网络为核心的神经机器翻译系统存在多层网络信息利用不充分、参数规模大以及可解释性差等网络建模难题,因此,本课题从网络优化角度出发,针对多层网络信息利用不充的问题,提出信息融合方法;针对参数规模大的问题,提出基于递进式半知识蒸馏的模型压缩方法;针对神经机器翻译中翻译过程可解释性差的问题,提出词对齐质量优化方法。1.多层信息融合优化方法。针对现有机器翻译系统多层网络中存在的层与层之间的信息利用不充分的问题,提出信息融合方法。通过将每层的输出信息进行融合,作为补充信息来弥补原有输出信息的不足,并提出三种不同的融合方法,以此充分利用中间层的信息,改善翻译译文质量。2.基于递进式半知识蒸馏的模型压缩优化方法。针对神经机器翻译中难优化且模型存储资源需求大等问题,本课题提出半知识蒸馏和递进式半知识蒸馏的网络优化方法。通过半知识蒸馏先将机器翻译模型压缩一半,然后通过递进式压缩神经机器翻译的另一半,从而压缩整个模型为精简参数的翻译模型,以此解决神经机器翻译参数规模大的问题。3.神经机器翻译模型词对齐优化方法。针对Transformer难以产生高质量对齐信息的问题,提出利用单语语料以及对齐集中正则项来优化基于Transformer系统的对齐网络,提高对齐网络产生的对齐质量,以此改善神经机器翻译的可解释性。基于多个不同数量级和不同语言对的实验表明,本课题研究的网络优化方法能解决现有的机器翻译中存在的信息利用不充分、模型参数规模大以及Transformer难获取高质量词对齐等问题,综合优化神经机器翻译的整体性能。