神经机器翻译系统的性能在很大程度上取决于大规模高质量的平行语料库,越南语作为资源匮乏型语言,而且与汉语之间语言差异较大,导致汉越机器翻译质量不佳。针对汉-越平行语料稀缺,目前主流的数据扩增方法得到的生成数据质量低,噪声大,模型对长句翻译不佳,训练容易过拟合等问题,本文展开了面向汉越神经机器翻译的数据增强方法研究,结合汉语越南语的语言特点,提出了一些新的方法与技术改进,具体的内容与研究如下:（1）基于语言相似特征的汉越神经机器翻译数据增强方法越南语作为典型的资源匮乏型语言,获取大规模高质量的汉越双语平行语料成本较高。在低资源情境下通过反向翻译生成的伪平行数据噪声大,且翻译模型对伪平行数据的质量与量级都较敏感,直接纳入训练数据可能会使翻译模型性能降低。针对此问题,本文提出结合语言相似特征,从词汇特征、短语成分特征、句子语义特征三个层面对得到的伪平行数据进行相似度计算过滤,筛选质量较高的伪平行数据,按照不同量级作为附加数据纳入训练语料库改善模型性能。在汉越数据集上进行翻译实验表明,过滤后的伪平行数据规模在140K是最适合本文模型的注入量级,用迭代反向翻译充分对模型进行训练后,在翻译性能上与基线模型相比,汉语到越南语方向提升了1.29个bleu,越南语到汉语方向提升1.52个bleu。（2）基于句法结构特征的汉越神经机器翻译数据增强方法反向翻译生成的伪平行数据质量依赖于固有的机器翻译模型,在低资源下由于平行语料的稀缺,通过此方法得到的伪平行数据噪声更大,与短句相比,长句的生成质量问题显得更加严重。为了缓解这一现象,本文通过对训练数据中的长句进行成分句法树解析,从树结构中提取短句形式的结构特征,再使用统计机器翻译模型对特征进行翻译,目的是学习单词、短句等更细粒度的对齐特征知识,最后作为扩增数据加入神经机器翻译模型训练。实验表明通过该方法对汉语-越南语两个方向上的翻译性能仍有小幅度的提升,在长句的翻译上相较于基线模型长句的译文得到了进一步的改善。（3）基于随机失活策略增强汉越低资源神经机器翻译在低资源神经机器翻译中,由于训练样本少,而模型所需要学习的参数规模庞大,很容易出现过拟合现象,随机失活策略是一种常用预防手段,本文使用该策略提高模型泛化能力的同时对输入句子进行了基于自身的表示增强,通过随机失活策略屏蔽网络结构中的神经元节点,实现了对输入句子的向量表征多样化。首先对句子进行多次输入,句子的每一次输入到模型中都进行随机失活策略,保证得到的句子输出分布预测都是相近却是不同的,随后利用KL散度对分布进行约束,用散度损失函数与原有的交叉熵损失函数一同更新模型,丰富输入样本的句子表征能力。实验表明,该方法在已有的双语数据与生成的伪平行数据混合训练中得到了最高的翻译性能评分,在汉语越南语翻译方向达到了23.87bleu评分,越南语汉语方向达到了23.26 bleu评分。（4）面向汉越神经机器翻译的数据增强原型系统搭建本文设计了面向汉越低资源神经机器翻译的数据增强原型系统,该系统模型在利用已有小规模汉越平行数据的情况下采取数据增强的方法扩充语料,对语料进行过滤筛选后用随机失活策略的方法训练模型,实现“汉越-越南语”和“越南语-汉语”翻译,为用户提供一个实时的在线汉越神经机器翻译平台。