神经网络机器翻译（NMT）引入了单个编码-解码模型、长短期记忆及注意力机制等,性能达到最先进水平。大量关于NMT的研究在过去五年陆续开展,但主要集中在计算机语言学领域,过度关注该架构的技术细节,从翻译学角度开展的研究寥寥无几。目前的研究不足以为开发者和使用者提供一个针对NMT系统表现的客观描述。因此,本文以谷歌翻译和搜狗翻译两大基于NMT技术的翻译系统作为研究对象,探讨二者在信息型文本中译英方面的表现,主要回答以下问题:两款系统译文的可理解度如何,原文中不同语言特征对译文可理解度的影响如何?译文中有哪些典型的翻译错误?错误产生原因与NMT架构设计有何关联?研究选取三类体裁的信息型中文语料,有公开发表的英文译文作为评测参考,并以“可理解度”为标准对机器译文进行评测。研究重点分析两系统译文可理解度得分情况,归纳常见错误类型,并结合NMT架构的设计理念总结错误产生的根本原因,指出NMT的固有缺陷。研究发现,两款系统在翻译任务满足以下两点的情况下可产出完全可理解的译文:（1）原文词汇或词组搭配在翻译系统的训练语料中均可找到,且仅有一种对应译文;（2）原文和译文在句子结构上基本完全一致。然而,当原文中含有多义词、成语俗语、修辞、罕见词句、长句、歧义句或不完整句时,机器往往产出大致可理解或难以理解的译文。两系统的典型翻译错误分为准确度、流畅度和语言风格三类。准确度错误类型占错误总数一半以上,其中错译、命名实体和术语错误以及漏译最为突出;流畅度错误占错误总数的四分之一,其中语法错误和衔接不当是导致译文不流畅的主要原因;语言风格类错误比重最低,通常表现为不地道或蹩脚生硬的译文。错误产生的根本原因在于NMT依赖大量语料和算法进行训练,这一训练过程并未赋予翻译软件人的智力,以学习分析和理解文本所需的相关语言知识、常识和领域知识。翻译系统仅通过数学计算得出各个候选译语词的概率,进而挑选概率最高的词作为输出,并按照训练过程中所学的句子或短语结构将输出词组合成译文,但系统无法判断该译文正确与否;其次,机器语料有限,在处理集外词（out-of-vocabulary word）或非常见句型时,NMT无法在语料库中找到相匹配的语料进行输出;再次,NMT系统不够稳定,其长短期记忆和注意力未能有效进行信息记忆和文本对齐,以提供实用上下文信息,减少长句漏译。未来研究者可通过扩大词表或训练语料库等方法提高NMT性能,但这些方法仅能减少部分错误产生的频率,仍无法杜绝错误产生。要想根除机器翻译错误,相关研究者须了解语言学、翻译学和神经科学等领域知识,以探寻专业人类译者如何开展翻译工作,并试图建立起一套能够模拟该认知过程的机器翻译架构。翻译机器只有拥有了想法、情感和经验,才可理解原文,并产出准确、流畅且与原文风格一致的译文。但若当前技术无法实现这一目标,则需要研究者客观看待NMT,了解其能与不能,从而有针对性地采取切合实际的改良措施。