目前,神经机器翻译(Neural Machine Translation,NMT)是机器翻译的主要研究方向。神经机器翻译的研究工作,通常是以句子级别的翻译作为研究对象,对于翻译的过程,往往是将单个句子作为独立的个体来看,忽略句子在篇章中的上下文信息。为了利用篇章信息,生成更为合适的译文,使得译文在整篇文档或者特定的语义环境中,能够保持翻译风格的一致性和翻译的准确性,本文对此提出了三个方法,主要内容包括:(1)基于补全信息的篇章级神经机器翻译。对于句子级别的神经机器翻译,由于不考虑句子的篇章信息,往往存在句子语义表示不完整的问题。该方法通过依存句法分析,对篇章中的每句话提取有效信息,再将提取的信息,补全到源端句子中,使得句子的语义表示更加完整。在汉语-英语语言对进行了实验,并针对篇章语料稀少的问题,提出了在大规模句子级别的平行语料上的训练方法。(2)学习篇章级句子表示的篇章级神经机器翻译。在篇章翻译中,往往将上下文句子的信息融合到当前句中,使得当前句包含上下文信息,以次来捕获篇章中句子间的依赖关系。本文提出了一种新的篇章级神经机器翻译模型,该模型可以同时预测源端语句的目标翻译和周围句子。通过神经机器翻译模型来预测源端上下文,模型可以学习到包含上下文语义信息的源端表示,得到篇章中句子间的依赖关系。(3)融合上下文句子信息的篇章级神经机器翻译。通常,神经机器翻译系统在对文档进行翻译的时候,采用逐句翻译的方式,不考虑句子在篇章中的表示。本文提出了篇章级的神经机器翻译模型,该模型通过额外的上下文句子编码器,来学习源端语句对于篇章中其它的句子的表示,再将这种篇章表示整合到编码器和解码器中。相比于方法(2),该方法可以利用篇章中更多的源端语句以及目标端的篇章信息。