随着计算机的广泛使用,机器翻译已经从自然语言处理领域逐步应用于多个领域,例如工业领域,教育领域等。由于人们对多语言之间翻译的需求日益增加,因此有效的提高文本的翻译质量是一个亟需解决的问题。在人工智能热潮的推动下,神经网络技术日益融合进机器翻译领域,使得传统的机器翻译方法逐步扩展为神经机器翻译方法。虽然现有神经机器翻译模型大部分是和注意力机制结合使用,但是目前的注意力机制都是仅仅使用一个注意力计算函数。单一的注意力计算函数会使模型始终会忽略一些重要信息。因此,本文首先提出了一种新的多注意力机制,研究的重点是如何结合多个注意力计算函数,并将每个注意力计算函数的优点得到最大的发挥,从而提出了具有多个注意力计算函数的神经机器翻译模型。双向长短期记忆网络是广泛使用于自然语言处理领域中的一种循环神经网络。本文提出了一种双曲正切长短期记忆网络,证明了将未来信息和历史信息融合可以提取更加充分的上下文语义信息。基于此理念,本文提出了一种多子空间注意力机制,并将之前提出的多注意力机制引入到多子空间注意力机制中,在多子空间注意力机制中融合了多个注意力计算函数。多子空间注意力机制首先将双曲正切长短期记忆网络的隐藏层状态映射到多个子空间,然后在计算注意力分数时使用多注意力机制中的多个注意力计算函数,通过在不同的子空间中应用不同的注意力计算函数来提取全方位的上下文信息特征,从而获得准确的注意力计算结果,最终将其应用于神经机器翻译模型。本文将提出的多子空间注意力神经机器翻译模型与若干神经机器翻译模型在WMT14翻译任务上进行了对比实验。实验结果证明本文所提出的多子空间注意力神经机器翻译模型有效地提升了文本的翻译质量。