在机器翻译日益重要的今天,有监督和无监督方式成为训练机器翻译模型的主流方式。传统的有监督机器学习需要应用大规模的巨量平行语料进行训练,形成高质量翻译模型,从而使其的使用受到了限制。无监督翻译模型的提出,有效改善了机器翻译对平行语料的需求,但其仍然依赖大规模（千万级别）非平行高质量语料来实现翻译的高质量。因此本文研究借助少量的高质量标记来进行弱监督的多模态机器翻译。同时,在多模态的机器翻译中,图像特征的编码表示和引入方式会对翻译带来较大的影响。本文基于隐式对齐来改善图像和文本的对齐精度,从而提升模型翻译质量。为解决上述问题,本文提出基于隐式对齐的弱监督多模态神经机器翻译方法。该方法基于Transformer模型的编码器解码器结构,通过少量（最多2014条）平行语料进行训练,采用隐式对齐的方式融合图像和文本特征,并利用多个视角的模型参数提升机器翻译精度。本文主要研究内容如下:（1）现有的无监督机器翻译模型采用使用大规模高质量语料库进行预训练,获得较好的模型初始条件,再使用小规模非平行语料进行进一步训练的方式。基于预训练的方式极大提升了模型翻译质量。同时,效果较好模型的图像特征引入方式采用了attention结构,但仍存在文本与图像特征对齐不精准,文本特征影响不足等缺点。主流模型UMNMT等模型的实验结果表明,加入image信息有助于翻译结果的提升,将翻译BLEU~4得分从6.27提升至8.85,但总体得分偏低,翻译质量不高;应用大规模语料库对模型进行预训练对于模型的提升有巨大帮助,将UMNMT模型多模态实验的BLEU~4分数从8.85提升至23.52,大大提升了翻译质量,但这一结果极大依赖于大规模语料,模型的训练因此受到较大限制。（2）针对文本和图像对齐不精准的问题,本文提出一种基于隐式对齐的弱监督多模态神经机器翻译模型（Weakly Supervised Implicit Alignment of Multimodal Machine Translation,简称Weakly-MMT）。该模型将文本特征和图像特征进行线性加权融合,并优化了传统注意力机制,提升隐式对齐的质量;同时借助少量标记数据,实现弱监督的机器翻译,改善了无监督训练方式对大规模非平行语料的要求。实验结果表明,本文提出的Weakly-MMT模型相比基线模型UMNMT,翻译精度在BLEU~4上由8.85提升至21.91,在METEOR上由0.14提升至0.46,在ROUGE上由0.34提升至0.59。（3）不同的模型训练参数对隐式对齐的质量影响不同,会形成不同的隐式对齐结果,带来不同的翻译质量。本文提出一种多视角的弱监督多模态神经网络翻译方法,使用多组模型参数进行联合翻译。实验结果表明,对比基线模型UMNMT-S-txt-img,本文模型的精度分别由8.85提升至25.54（BLEU~4）,由0.14提升至0.50（METEOR）,由0.34提升至0.65（ROUGE）;对比基线模型UNMT-3Iter,本文模型在BLEU~4上由22.74提升至25.54。即使是应用了千万级别非平行文本数据的UMNMT-P-txt-img模型,本文模型也在BLEU~4上将翻译得分由23.52提升至25.54,在METEOR标准上从0.26提升至0.50,在ROUGE标准上由0.55提升至0.65。