机器翻译是一项无需人工参与且可实现自动化翻译的自然语言处理任务,属于自然语言处理的重要研究领域。近年来移动互联网的迅速发展为机器翻译研究提供了广阔的应用空间。机器翻译方法也从早期基于规则与统计的机器翻译发展到如今依托神经网络模型端到端的方法。目前低资源语言的机器翻译在数据方面多是利用单语数据、辅助语言以及多模态数据改善翻译效果,在模型方面利用过参数化的模型提升神经机器翻译的性能。本学位论文针对神经机器翻译的词语切分和低资源语言中存在数据量不足导致的过拟合问题,在翻译模型中融入朝鲜语语义结构先验知识,提出了基于多粒度文本表征的朝汉神经机器翻译方法。首先,本文对传统朝鲜语处理单位在机器翻译、标题生成与文本分类任务中进行评测与分析,包括语节粒度、词素粒度和音节粒度。然后对朝鲜语进行结构化分析与构造,提出结合朝鲜语语言结构并与机器翻译相适应的朝鲜语文本处理单位,即子语节与子词素粒度。在三个下游任务中,所提出的子词素与子语节粒度表现优异,其中子词素粒度在机器翻译、标题生成任务中由于增加语言知识划分,生成效果最好,证实增加了基于语言知识划分的边界信息后有利于模型训练,子语节粒度相较于其他粒度更具有宏观结构信息,是带来类内差异的主要原因。其次,提出了多头多粒度注意力结构,在目前机器翻译的主流范式中融入语言学结构信息,使用语言学先验结构知识指导翻译模型的构建。目前在低资源的机器翻译任务中存在模型过拟合问题,即数据量不足,增加该结构后,可利用朝鲜语丰富的形态变化为句子表示引入先验结构化偏置,从而减轻在小规模数据上的过拟合问题。最后,使用粒度感知掩码方法,改进多头多粒度注意力结构。粒度感知掩码方法将捕获到的多粒度信息进行掩码,该过程可以引导模型学习不同粒度之间的关系,增强了模型对于序列中不同粒度划分的结构信息,强化了粒度间的差异性。这一改进利用源语言的语言结构信息改善机器翻译模型的性能,增强朝鲜语句法和语义信息的建模能力。在朝汉平行语料库中实验结果表明,所提出的子词素处理单位使用16K的词典即可达到较高的译文水平。在融合多粒度信息后的朝汉神经机器翻译模型BLEU值达到了22.68,较基线模型BLEU值提高了1.15,在此基础上增加了粒度感知掩码方法后BLEU值达到了22.71,较基线模型BLEU值提高了1.18。实验结果表明,本文提出的方法优于其他粒度融合方法的模型,能够改善朝汉神经机器翻译模型的性能。