神经机器翻译近年来发展迅速,取得了非常丰富的研究成果。神经机器翻译利用神经网络的学习能力和泛化能力极大地提高了机器翻译的效果。然而神经机器翻译很大程度上依赖双语平行语料的数量和质量,这在一定程度上限制了弱资源机器翻译的发展。如何利用有限的语料和翻译方法提高弱资源翻译模型的翻译质量是机器翻译的重要研究方向。蒙古语是众多小语种中使用范围相对较广的语言,在内蒙古自治区是作为官方语言来使用,语言是文化交流的核心,蒙汉神经机器翻译的研究对于民族文化交流和传播具有非常重要的意义,也是对资源稀缺神经机器翻译研究的探索和推动。本文采用BPE（Byte Pair Encoder）字节对编码对数据进行预处理;以非自回归Transformer模型作为翻译框架,改进非自回归Transformer模型,从而提高模型的翻译质量;此外将目标语言语法标识信息融入模型来提升翻译质量;最后应用深度强化学习以序列信息作为训练目标,优化模型,提升模型的翻译性能。本文主要研究了:（1）本文采用BPE字节对编码对蒙汉平行语料进行预处理,得到BPE编码的蒙汉对齐语料,此外使用Stanford coreNLP进一步对汉语语料进行句法解析处理,为之后的翻译任务做准备。（2）本文采用外部解析器生成目标语言的ground truth语法标识块,使用分块算法产生语法标识块序列。然后将语法解析解码器融入非自回归Transformer翻译模型,语法解析解码器翻译输出语法标识快序列,语法标识信息的监督使得生成的最终翻译具有更好的语法结构,同时增强了翻译模型的解释性,并且在保持非自回归翻译速度较快的优势的同时提高了翻译质量。此外采用卷积神经网络CNNs对源语言输入句子进行句子级主题上下文的学习和提取,为语法解析解码器提供语句层面的特征。蒙语是形态变化丰富的语言,通过CNNs句子上下文主题注意模块提取特征可以学习到更多的源语言信息。（3）本文采用深度强化学习方法以序列级信息BLEU值作为目标来微调优化模型,将BLEU值作为奖赏reward,神经机器翻译模型作为agent智能体,迭代更新模型的参数,鼓励模型生成高质量的句子,而不是每个位置的正确词语token,此方法可以有效降低词语重复问题,并且进一步提升翻译模型的翻译质量。