随着我国经济的快速增长,不同地区之间的合作越来越多,民族间交流越来越多。蒙古语是我国蒙古族使用的语言,实现蒙古语到汉语之间的翻译对民族间共同发展起到举足轻重的作用。现阶段,蒙汉机器翻译效果不够显著,原因在于,蒙汉翻译模型是端到端模型,其在训练时是以带有标注的对齐数据进行训练,而推理时是根据模型自身的预测进行推理,存在训练与推理不统一的问题;同时也存在着交叉熵损失函数与BLEU值的评价级别不一致问题。本文将强化学习引入蒙汉机器翻译的研究来解决上述两个问题。另一方面,蒙汉对齐语料不足制约着模型质量的提升。本文利用蒙古语单语词向量嵌入的方法和目标端单语反向翻译的方法来获取额外的数据信息进而提升模型的质量。具体工作如下:（1）对语料进行切分处理,探究不同级别的语料粒度下对模型的影响。从字符、词、子词级别下分别探究对蒙汉神经机器翻译的影响;同时,对BPE算法的独立与联合两种不同处理方式进行实验,实验表明对蒙汉两种语言采用独立BPE的处理方式更有利于蒙汉翻译模型的提升。（2）词向量的质量直接影响着最终模型的质量,本课题利用大量蒙古语单语词向量嵌入模型提高翻译模型的质量,使用三种不同的词向量生成模型对蒙古语单语数据进行词向量的生成,并将词向量进行可视化观察。对不同模型生成的蒙古语单语词向量对翻译模型质量的影响进行实验,同时探究四种词向量维度对翻译模型的影响,最后将去噪自编码引入翻译模型来进一步提高译文流畅度。实验表明,将大量蒙古语单语词向量嵌入蒙汉翻译模型和使用去噪自编码学习语言特征能够使模型效果得到显著提升,并且在当前实验条件下,词向量维度在512维时的蒙汉翻译模型质量最佳。（3）将强化学习引入蒙古语到汉语翻译模型的训练之中,让翻译模型的训练与推理统一在预测值的角度解决训练推理不一致问题;同时让评测BLEU值直接参与到模型的训练解决评价级别不一致问题。此外,针对奖励级别,分别设置了终端奖励与单词级别的奖励进行实验探究,通过与交叉熵损失函数线性结合得到实验模型的较优结果,并且针对译文生成方式进行了实验探究;最后,在蒙汉机器翻译任务中将目标单语反向翻译与强化学习训练相结合提升模型质量,并达到本课题最高BLEU值。