近年来,神经网络机器翻译模型因其良好的性能,成为了机器翻译任务的主流模型。由于神经机器翻译模型的参数规模较大,往往需要大规模的、高质量的双语平行语料进行训练,在实际应用中存在以下两个问题:一方面,某些特定领域缺乏大规模的训练语料,且难以获取。另一方面,待翻译的源语言句子可能来自于各种不同的领域,如何在不丢失领域文本特色的前提下,生成良好的译文是机器翻译任务的一大挑战。领域自适应正是解决上述问题的重要方法之一。领域自适应旨在充分地探索已有的、高质量的、大规模的双语语料库中的有效翻译信息,来提升特定的、低资源领域的机器翻译模型的性能。目前,机器翻译任务中关于领域自适应的相关研究主要分为两个研究方向:面向多领域的神经机器翻译模型和基于N对一的领域迁移的机器翻译模型。本文分别针对这两个研究方向提出了两个新的技术方案:1.针对面向多领域的神经机器翻译模型,本文提出一种区分词粒度上下文的多领域神经机器翻译模型。该方法运用多任务学习方法联合训练机器翻译模型及双语的领域分类器。区分并同时建模源语言词粒度领域特有的和领域间可共享的信息,并加强目标语言句子中领域相关的词汇的训练损失,在共享领域信息的基础上,保留各领域特有的文本风格和句法结构。2.针对基于N对一的领域迁移的机器翻译模型,本文提出一种基于迭代式双向迁移的神经机器翻译的训练框架。通过双向地、多轮迭代地领域迁移的方式,使得源领域与目标领域地机器翻译模型之间进行充分地交互和反馈,实现两者的“双赢”。我们将这两个技术方案与学术界被广泛应用的领域自适应技术方案进行了对比,并通过详细的实验分析,证明了所提的技术方案的有效性。