机器翻译作为一个备受瞩目的研究课题,经历了从规则的机器翻译到基于统计的机器翻译,并取得了令人瞩目的效果。随着大数据的兴起,深度学习也应运而生,为机器翻译带来了新的技术和方法,神经机器翻译在大规模语料的训练下的翻译效果已经达到了很高的水平。基于深度学习的机器翻译利用非线性网络模型进行序列间的转换,但仅仅依靠神经网络进行自然语言间的转换存在两点不足:（1）神经机器翻译在大规模语料支持下的翻译效果才好,尤其是在特定领域内语料较少的情况下翻译效果不佳。（2）神经机器翻译在针对一些特定领域内进行建模时没有学习到领域内的知识。针对以上问题,本文面向专利文本总结出了框架、术语、常用语等领域知识,分别使用了数据增强和对语料进行标注的方式来解决。本文基于数据增强的方法,利用翻译模板的思想,识别并抽取出句子中的名词或术语,保留句子的主干。然后通过将抽取出的术语集合在句子主干框架上进行重组之后生成伪平行语料。最后通过计算句子的困惑度来对生成的伪语料进行选择,生成质量较好的伪语料。该方法有效的缓解了神经网络因为语料不足而导致模型的泛化能力不足的问题。实验结果表明,该方法获得的译文与基线系统相比,BLEU值提升了2.32。本文针对专利文本进行翻译,使用了拼接、替换两种标注方式对训练语料中的领域知识进行标注,将框架知识、短语知识及术语知识作为内嵌注释分别融入到了翻译模型当中去,并通过设计对比实验证明了该方法的有效性。实验结果表明,该方法获得的译文与基线模型相比,中英和英中模型的BLEU值分别提升了 1.28和2.08个点。最后,集成本文提出的两种方法,设计并实现了英中神经机器翻译系统。并与基线模型相比,翻译质量得到了有效的提升。实验结果表明,本文提出的两种方法可以有效的提升神经机器翻译的翻译质量。