现如今全球语言的互通互译已经成为全世界人类友好交流必不可少的条件。机器翻译随着计算机技术的进步也从学术研究发展到了工业应用。同时深度学习作为机器学习的一个新兴热门分支,在计算机视觉、自然语言处理等多个研究方向都取得了优秀的成果。本文旨在基于深度学习网络,以提高机器翻译性能为目的,面向英汉神经机器翻译模型进行研究,主要研究工作如下:首先,面向英汉双语方向构建并比较各种深度学习机器翻译任务的网络模型性能,同时尝试利用注意力机制解决各网络的缺陷。包括循环神经网络在长距离序列中容易产生梯度消失和梯度爆炸问题;长短期记忆网络无法体现出长距离序列中信息权重问题。本文通过实例比较,认为引入注意力机制可以提高模型生成目标语言序列过程中对上下文信息的关注度,从而使翻译译文还原度和流畅度更高。其次,设计了一个面向垂直领域,基于迁移学习的神经机器翻译方法,改善了神经机器翻译语义理解和综合性能。该方法使用随机屏蔽的方式构造端到端编码器-解码器框架语言预训练模型,对源语言序列输入中的随机连续字符片段进行屏蔽,再由网络模型进行预测。然后在此基础上将机器翻译作为迁移学习的目标任务进行微调,将预训练语言模型中的先验知识应用到目标任务中,并使用检查点平均的方法改善模型过拟合状况。通过实验结果得出将语言模型迁移到目标任务的方式能够有效提升机器翻译模型性能,同时得出了微调行为能改变模型输出文本的风格偏好的结论。最后,针对机器翻译模型的性能优化问题,提出了一种基于全局权值共享的多任务学习方法,将机器翻译作为主要任务,在端到端的编码器-解码器框架中同时对词性标注任务进行训练。通过实验表明,该方法对机器翻译性能有一定的提升效果。