近年来,深度学习的应用不仅在图像识别、文本生成等领域表现突出,在自然语言处理方面也效果显著。自然语言处理系统在生活中比比皆是,比如手机智能助手在理解用户请求之后,就能通过文字或语音的方式反馈用户信息。人类之间主要通过语言的方式进行沟通交流,以达到知识分享、扩展人际关系等目的。然而,目前全球在使用的语言超过五千种,要想精通多门语言是一项艰巨的任务。此时,机器翻译作为自然语言处理领域中的一个重要分支部分,在保留原始语义的条件下,实现了不同语言之间的等价变换,是与世界其他地区进行沟通交流的重要工具。而今,神经机器翻译技术与以往的机器翻译方法相比较,神经机器翻译模型效果较好。但是,神经机器翻译模型较少考虑到语言学知识的重要性。若能在翻译过程中融入语言的句式结构和语义信息,就能起到辅助神经机器翻译模型的作用,从而提升翻译句子的准确性。本文由此提出基于句法规则层次化分析的神经机器翻译模型,通过结合改进的句法分析方法来提高翻译质量。本文首先从句法分析入手。目前对于句法分析的研究,大多数是从字、词的角度考虑,存在一定的局限性。因此,本文利用句子成分之间的语法结构关系对词性、词序的影响,提出一种二元与三元词相结合的句法规则层次化分析算法,实现语句的层次化分析。结果表明,句法规则层次化分析算法的结合模型相比于独立二、三元词模型效果较好,其准确率和召回率分别达到了82.04%,80.83%;与现有基于二分结构句法分析的序列标注模型算法和词汇化模型算法相比,准确率和召回率均有明显提升。实验证明本文提出的二元与三元词相结合的层次化分析算法具有可行性。句法分析在机器翻译中占据着重要的地位。本文利用分治法的思想,对句法规则层次化分析算法进行改进,并融入到神经机器翻译模型中。通过句法规则层次化分析算法,识别并分离句子的主干部分和最长短语,再训练基于自注意力机制的Transformer模型,对最长短语和句子主干部分分别进行翻译之后再组合,得到最终译文。结果表明,在中-英机器翻译任务上,翻译结果BLEU值相较于基准实验提高了0.95个点,证明该方法能显著提升翻译性能,并且对于句式结构复杂的长句翻译效果更佳。