篇章机器翻译是目前机器翻译快速发展下的一项重要的研究课题。指代作为篇章衔接的常用手段之一,在翻译单元上占的比重很小,但是指代部分的歧义会严重影响译文的质量。因此以指代为切入点来研究篇章翻译具有非常重要的意义。近年来,在神经机器翻译（Neural Machine Translation,NMT）质量得到极大提高的同时,基于神经网络的指代消解的性能也得到很大提升。本文以指代消解为驱动,在利用有限和全局篇章信息的篇章神经机器翻译模型中对指代信息的表征和融合方式展开积极的探索,并从观察到的源文和译文存在上下文语义和指代差异出发,研究了不依赖参考翻译完成译文质量评估的方法。主要研究内容包括:（1）指代约束的局部上下文感知的NMT。本文首先为基于标准Transformer实现的利用局部上下文的篇章神经机器翻译模型设计了两类指代表征,其次提出将两类表征分别通过软约束和硬约束方法融入到翻译模型中。实验表明,在BLEU值上,融入指代信息的系统相对句子级翻译的提升明显,却不显著优于篇章基线翻译系统。但在专门的英德代词翻译质量评估数据集上,融入指代信息前后的篇章基线翻译系统存在显著的性能差异,表明了本文方法的有效性。（2）指代链注意力指导的全局上下文感知的NMT。G-Transformer是利用全局上下文进行篇章翻译的优秀模型,但其在长序列文本的翻译过程中缺乏有效信息关注,针对这一问题,本文提出联合指代链的注意力机制对其编码层的全局注意力机制进行优化。不仅设计了新的指代链表征,而且改进了核心注意力模块,使模型在关注全局上下文的基础上能聚焦具有相同含义的实体。实验结果表明,该方法能有效提高翻译性能,并且通过可视化分析,可观察到注意力分散问题得到很好的改善。（3）篇章约束辅助的译文质量评估模型。译文质量评估是机器翻译研究的一个重要分支,它与机器翻译是一对相辅相成的研究任务,相关研究工作表明,传统的BLEU指标无法显著体现篇章层面的翻译质量变化,并且考虑篇章上下文的译文质量评估比普通句子级的译文质量评估模型更适合评估篇章翻译的性能,因此本文展开对篇章质量评估的研究。本文观察发现源文和译文句子间的语义和指代的差异可以帮助译文质量评估,因此设计了额外的损失函数使得模型在预测分数时尽可能地约束两者之间的差异。相对于基准的质量评估系统,本文提出的方法在Pearson相关系数上最高提升了 6.68个百分点。综上所述,指代消解驱动的篇章机器翻译的研究具有很大的挑战性,本文在两类有代表性的经典篇章神经机器翻译模型中尝试了多种指代表征和融合方法,系统性能的提升在传统的BLEU值上的确不是非常显著,但是借助特定数据集和可视化分析都能观察到性能的改善,可以预测今后篇章质量评估的研究将是推动此课题的一项关键技术。