近年来,神经机器翻译技术取得了重大突破并得到了迅速的应用和推广。但是,依然存在诸如机器译文质量评估问题、集外词问题、长句翻译问题、过翻和漏翻问题等。机器译文质量评估(Quality Estimation,QE)是研究如何解决在没有参考译文的情况下对机器译文的质量进行评估的问题,其研究成果不仅可以帮助机器翻译系统过滤掉低质量的翻译结果,以及构建高质量的平行语料库,还可减少译后编辑的工作量。因此,该研究具有重要的研究意义和实用价值。现有的QE方法主要包括两类,一种是基于机器学习的方法,另一种是基于深度学习的方法。这两种方法都致力于提取与QE任务紧密相关的特征,抽取的特征的好坏决定了系统性能的优劣。近期,预训练语言模型刷新了多个自然语言处理任务的最佳成绩,展现出强大的表征学习能力。因此,本文主要探索如何将预训练语言模型融入到QE任务中,以提升QE的性能。本文的主要工作和创新点包括:(1)提出了一种将ELMO、GPT和BERT等预训练语言模型提取出的机器译文特征和“双语专家”模型提取出的特征相融合的机器译文质量评估方法。两者提取到的特征相互补充可有效缓解QE任务特征稀疏问题。实验结果证明,在句子级别和词级别两个子任务上都取得了显著提升。(2)提出了基于BERT+LSTM+MLP架构的句子级别机器译文质量评估方法。LSTM网络将多语版BERT提取到的源语句和目标译文高层特征编码为固定大小的向量表示,并送入全连接神经网络中进一步学习,最终得到模型预测得分。实验结果表明,该方法可达到目前QE的最好水平。(3)提出了一种融合依存句法信息的机器译文质量评估方法。将源语句和目标译文中每个词的依存标签转化为向量表示并与各自的词向量进行拼接,拼接后的向量送入模型中进行训练,显示地使模型学习依存句法结构信息。实验证明,QE模型的性能得到了进一步提升。总之,本文创新性地提出了将预训练语言模型和依存句法信息融入QE任务的方法,并通过实验验证了提出方法的有效性、先进性和实用性。