近年来,深度学习在各个领域获得突破性进展,而通过深度学习对机器翻译任务建模的神经机器翻译方法成为诸多学者研究的对象,并且在性能上逐渐超越统计机器翻译,成为机器翻译研究和实际应用的主流范式。但是,神经机器翻译的性能极大程度地依赖双语平行数据的规模和质量,这导致神经机器翻译在诸多低资源语言的翻译任务中无法获得良好的性能。在实际的训练过程中,最明显的问题就是因为训练数据不足导致的过拟合和泛化能力不足,并且相比于统计机器翻译,神经机器翻译对不规范输入中的噪声特别敏感,容易造成系统的翻译错误,使得神经机器翻译在实际应用过程中存在困难。为了使翻译模型具备良好的泛化能力和针对噪声的稳定性,可以通过正则化策略在训练翻译模型的基础上增加额外的规则限制,这些限制能够起到筛选模型的作用,从而获得具备期望特性的翻译模型。因此本文的研究内容就是在神经机器翻译中合理地应用正则化方法,改善神经机器翻译在低资源场景的应用问题。本文针对神经机器翻译的三个方面进行了研究和探索,分别是神经机器翻译的子词序列化过程、训练数据和训练方式。（1）神经机器翻译的子词序列化是将双语平行文本的单词序列转换成子词序列的过程,相比于单词序列翻译关系的建模,子词序列的学习能够更好地平衡词表大小和未登录单词问题,并且模型对罕见单词具备更好的泛化能力,因此,子词序列化是目前神经机器翻译的常规操作。现在常用的子词序列化算法都将文本的单词序列转换成唯一确定的子词序列供神经机器翻译模型学习,但是同一词表下,单词的子词序列并不唯一,这意味着模型忽略了单词的其他可能子词分割方案。在模型训练过程中,考虑对单词的更多子词序列是子词序列正则化的核心思想。子词序列正则化将子词序列的不确定性作为噪声能够增强模型的鲁棒性,并且促进模型对单词子词的学习,同时也使得模型训练和测试存在差异。为此,提出了基于对比学习一致性约束的子词序列正则化方法,通过在语义层面的一致性对齐和模型在诸多不同序列输入条件下模型输出的一致性约束更好地促进模型对单词多子词分割方案的学习,提高模型鲁棒性的同时拉近模型训练和测试的差距。实验结果表明,相比于现有的子词序列正则化方法,该方法能够获得更多的性能提升,并且对于噪声的适应性能更加出色。（2）神经机器翻译的训练数据是决定系统性能的重要基础,低资源应用场景中,训练数据的不足难以使得模型充分训练,即使在有限的训练数据中获得较好的性能,但是面对训练过程中从未见过的输入系统难以获得理想的结果。为此提出针对神经机器翻译的词级别正则化方法缓解过拟合问题,其词级别正则化过程能够针对源语言句子和目标语言句子中的单词灵活地注入连续或者离散的噪声,从而增加源语言句子的多样性的同时抑制模型对目标语言句子的过度学习,此外,为了消除噪声对模型性能的负面影响,引入对抗学习目标进行多任务训练,提高模型对句子语义信息的捕获能力。通过实验也证明了神经机器翻译词级别正则化方法能够有效防止模型出现过拟合。（3）神经机器翻译的常规训练方法是在训练数据集上优化Transformer模型每一层参数的一次性训练过程,但是在低资源语言的训练中,逐层的众多参数难以得到训练,同时存在众多冗余参数,这些未得到充分训练的参数意味着模型测试过程中存在极大地不确定性,严重影响翻译系统的结果。为此提出神经机器翻译渐进剪枝正则化方法,将堆叠的Transformer子层结构分组得到底层网络组和高层网络组,在底层网络组训练结束后复制得到高层网络组继续训练,每次迭代训练的过程对参数结构进行约束,促进参数结构稀疏的同时将不确定性高的参数视为冗余参数进行剪枝,保留核心参数,从而实现更加紧凑的翻译模型。最后实验验证神经机器翻译的渐进剪枝正则化方法能够有效地提升模型在低资源场景下的翻译性能。