机器翻译技术在近年来的迅速发展和普及使得越来越多的人享受到便利的跨语言沟通,在一些常用语言以及通用翻译场景下,机器翻译已经能够满足绝大部分翻译需求。目前主流的机器翻译系统采用神经网络模型,需要大量的标注数据,如平行语料、双语词典等,然而对于大多数语言之间的翻译建模而言,高质量的双语语料匮乏,翻译系统质量难以提升。为了高效地利用已有的资源,提升翻译系统的性能,本文提出了两种低资源条件下的数据增强方法,并设计了一个针对低资源语言的多语言机器翻译系统。（1）基于随机词丢弃机制的神经机器翻译本文提出随机词丢弃机制:针对神经机器翻译模型参数量大、容易发生过拟合的问题,本文在翻译模型的编码器、解码器端对输入进行随机地采样,将被采样的词丢弃,使模型在更少的信息量的条件下拟合真实答案的分布,提升模型的泛化能力、表达能力。同时引入两个自监督优化目标,利用采样机制生成的监督信号设计训练优化目标,帮助模型提升编码能力。本文提出的方法通过噪音注入增强数据,在两个翻译任务的实验上取得显著提升,有效地缓解了过拟合问题。（2）基于双向知识蒸馏的双向神经机器翻译本文提出双向知识蒸馏方法来高效利用平行数据:由于平行语料稀缺导致低资源翻译模型难以构建,基于平行语料的对称性与可逆性,通过同时蒸馏源端到目标端以及目标端到源端翻译知识,结合双向信息帮助模型更好地理解翻译映射关系。同时提出在双向机器翻译模型上应用双向知识蒸馏方法,不仅更加便捷地利用双向知识,而且获得更高的翻译质量。本文实验在3种语言6个翻译方向上获得显著提升,验证本文方法的有效性。（3）低资源多语言神经机器翻译系统实现本文设计并实现了一个低资源多语言神经机器翻译系统:结合低资源翻译发展现状以及本文提出的优化方法,搭建一个支持20个翻译方向的多语言翻译系统,从系统总体设计出发,详细介绍数据准备、模型搭建、系统部署的工作。本文设计的翻译系统均基于开源资源、开源工具搭建,最终实现了一个针对低资源的高性能、高质量、实用的翻译系统。