机器翻译是利用计算语言学技术,将源语言自动翻译成目标语言的一项技术。鉴于机器翻译的深远研究意义和广阔应用前景,产业界和学术界都将其视为重点的研究方向,成为当前自然语言处理最具有挑战性的研究领域之一。伴随着近几年神经网络技术的大力发展和数据资源的进一步丰富,基于神经网络的机器翻译系统（Neural Machine Translation,NMT）已经逐渐成为机翻翻译领域的主流方法。然而目前的神经网络机器翻译模型,会面临着训练和测试不一致的问题,也就是暴露偏差问题。在现有研究中,研究人员提出多种解决暴露偏差问题的方案,其中最典型方法的便是调度采样算法。调度采样算法的核心思想是在模型训练阶段,通过随机将模型自己的译文和标准译文进行混合后再作为模型的输入。尽管调度采样已被广泛地应用并且在现有工作中被不断优化完善,但是调度采样的核心调度算法仍然存在两个关键的问题。首先现有调度采样算法的调度策略,仅仅依赖于模型的训练步骤,其仿真出的翻译错误分布是与解码步骤无关的。然而在实际的测试场景下,由于错误累计现象的影响,模型的翻译错误率往往会随着解码步骤而逐渐增大,这与现有调度采样算法的仿真出错误分布是不一致的。其次,模型仅依据预定义的模式,即关于训练步骤的衰减函数来反应模型的能力,是不够精确有效的。针对现有调度采样算法中的这两个局限性,本研究创新地提出基于解码步骤的调度采样算法和基于模型置信度的调度采样算法,本文的主要创新点和贡献点如下:（1）本文首次提出一种基于解码步骤的调度采样算法,该算法可以根据解码步骤逐渐增大采样模型自己预测译文的概率,仿真出一个与实际测试场景下更加一致的翻译错误分布,进一步地减小了模型的训练与测试不一致程度,从而进一步提升了模型的译文质量。更进一步地,本文还探究了如何将本方法与现有方法进行结合,即基于训练步骤和解码步骤的调度采样算法,并提出了三种简单有效的结合方案,即概率相乘,算数平均和复合函数。本研究在三项大规模WMT翻译测评任务以及两项生成式文本摘要上验证所提出方法的正确性和有效性,实验结果表明本研究所提出的方法可以显著地提升现有调度采样算法的效果,同时在两项生成式文本摘要任务的四项评价指标上达到当前最佳性能。（2）本文首次提出基于模型置信度的调度采样算法,该算法根据模型的实时能力,即模型置信度,来执行细粒度的调度采样策略。即置信度高的位置使用模型的预测当做输入,置信度低的位置使用标准译文作为输入。我们还进一步探究了如何在高置信度位置引入噪声输入,从而缓解调度采样算法退化为普通的训练模式。本研究在三项大规模WMT翻译测评任务以及两项生成式文本摘要上验证所提出方法的正确性和有效性,实验结果表明本研究所提出的方法可以显著地提升现有调度采样算法的效果。