近年来,机器翻译技术的快速发展为不同国家人民之间的交流带来了极大的便利。机器翻译指将一种模态的语言表示转化为另一种语言表示,常见的机器翻译技术将源语言的文本或者语音信号翻译成目标语言的文本。但是,由于语言的多样性和语义表达的歧义现象,仅仅依靠单源信息作为输入的神经机器翻译模型常常发生错误翻译。随着多模态学习和相关交叉领域的发展,不仅文本可以和图像信息或者词性信息等知识相结合,不同模态之间的信息互补也成为可能。因此,本文的研究围绕基于多源信息增强的端到端神经机器翻译,使得多源信息能更好地融入到机器翻译模型中。首先,本文指出了传统的机器翻译模型中存在的语义理解的困难,基于标准编码器-解码器框架的神经机器翻译系统对源语句进行编码以生成目标语句,其中编码器同等对待所有单词。直觉上,包含描述性信息的实词应该被认为比虚词更重要。为了专注于实词并帮助神经机器翻译模型理解关键语义信息,本文利用词性标签信息,在编码端提取源句子的实词形成其浓缩句,并设计了一个词性辅助理解的神经机器翻译模型。在主流的数据集上的实验结果表明,本文所提出的方法能显著提高翻译质量。其次,本文指出了基于子词预处理方法的机器翻译模型中存在的文本生成的困难,并定义了一种名为“半对半错”的错误翻译类型,直观表现为译文单词中少数字符出现错误翻译的现象。为了解决这个问题,本文在解码端引入词性标签信息,用来加强同一个单词中不同子词的联系。在主流的数据集上的实验结果表明,在上文提出的模型的基础上,本文所提出的方法进一步提高了翻译质量。最后,本文也将多源信息引入到语音翻译模型中,针对语音信息作为输入的端到端语音翻译系统,增加对应的视频信息,这种方法适用于视频字幕生成。在多模态数据集上的实验结果表明,本文所提出的方法有效提高了语音翻译的质量。综上,本文所提出的多源信息增强的端到端神经机器翻译模型能在文本翻译和语音翻译上都能有效提升译文质量。