随着世界全球化进程的不断推进和自然语言处理等技术的持续革新,人类对机器翻译系统的依赖程度与日俱增。尽管机器翻译技术帮助人类缓解了不同语言间的沟通障碍,但它仍存在不足之处:译文质量难以评判。为进一步提高机器翻译系统的用户体验,帮助用户识别质量较差的机器译文,研究者们提出了机器翻译译文质量估计方法。译文质量估计是在没有人工参考译文对照的情况下对机器译文质量自动进行打分。本文提出了融合语境词向量的译文质量估计方法。“语境”在本文意为词的上下文信息和丰富的句法、语义知识,它能反映文本的流利程度,是自然语言处理任务中的重要概念。在现有基于神经网络的质量估计方法上,本文结合流利度特征进行译文质量估计。为了将译文流利度特征引入现有的神经质量估计模型,我们提出利用堆叠双向长短时记忆网络将语境词向量引入神经译文质量估计模型的方法——CUNQE。CUNQE通过网络并联的方式将语境词向量与传统的译文质量向量相融合。融合语境词向量和质量向量的译文质量估计方法综合应用了机器译文的忠实度特征和流利度特征,对机器译文质量的评估更加全面。本文在CWMT18、WMT18句子级别译文质量估计评测任务数据集上对融合ELMo、BERT语境词向量的神经译文质量估计方法的效果进行了验证与分析。实验结果表明,引入语境词向量的译文质量估计方法可显著提高译文质量估计与人工评价的相关性,并且使用BERT语境词向量融合的神经译文质量估计方法性能最优。实验分析进一步揭示了融合语境词向量的译文质量估计方法能利用译文的流利度特征提高翻译质量估计的效果,同时表明语言模型的预训练方式、语境词向量的使用方法及质量是影响神经质量估计模型性能的关键因素。