随着深度学习技术的发展,神经机器翻译已经取得超过其它翻译技术的效果,但仍存在很多问题。在神经机器翻译中训练语料有限,不可避免会产生数据稀疏问题。蒙汉平行语料贫乏,因此蒙汉机器翻译数据稀疏问题会更严重。在神经机器翻译模型中,词切分技术已经在西方语言神经机器翻译中得到广泛应用,并取得很好的效果。在本文中研究多种蒙古文切分粒度下神经机器翻译模型的翻译效果。本文对比了蒙古文词、蒙古文子词和蒙古文字符在循环神经机器翻译、卷积神经机器翻译和Transformer翻译模型中的翻译表现。实验结果表明在三种机器翻译模型中,蒙古文子词表现最好,蒙古文词次之,蒙古文字符表现最差。可以说明一定程度的切分可以提高机器翻译效果。本文分析了蒙古文字符翻译的特点,并根据特点改进字符级翻译模型。第一个特点,蒙古文词切分为字符后词与词之间的边界消失,需要使模型优先学习同一词切分出的字符序列。第二个特点,本文在研究中发现,字符级翻译模型的编码器的输出中,有很多输出对解码器影响很小,因此考虑需要对编码器输出进行过滤。本文针对以上特点,提出两种改进方法。第一种,增加卷积层,这样可以优先学习字符序列局部信息。第二种,增加线性门控单元,可以用来过滤卷积层的输出。经过改进后的Transformer字符级翻译模型实验结果取得41.07 BLEU,比改进前字符级翻译模型提高6.64 BLEU,比子词级翻译模型提高3.84 BLEU,比词级翻译模型提高5.21 BLEU。改进后的字符级循环神经机器翻译模型翻译效果提高3.54 BLEU。