现如今,伴随着生活水平飞速发展,越来越多的人已经开始转向追求精神生活。文言文是我国文化的瑰宝,推广文言文不管是在学习还是生活上都有重大益处。本研究的目的是利用机器模型自动在文言文和现代文之间进行翻译,使得文言文的使用更加方便。由于文言文和现代文平行语料库的缺少,我们的研究就是如何在缺少语料资源的情况下,建立出一套合格的文言文神经网络机器翻译模型。我们的研究主要分为以下两个部分。文言文和现代文平行语料库的建立。使用神经网络建立翻译模型,需要有已经建立好的双语平行语料。本研究提出了利用深度语义匹配模型建立平行语料库的方法DSSAM(Deep Structured Semantic Alignment Model)。该模型是利用深度语义匹配模型,通过对文言文原文和现代文译文做句子间的语义匹配,实现句子对齐,最终建立双语平行语料库。其中研究还利用Triplet Loss改进了深度语义匹配模型。本文通过句子间的语义相似度进行对齐的结果,比以往基于句长比例、对齐模式、共现字特征等特征的方法,准确度有了很大的提升。利用单语语料和平行语料库训练模型。由于通过自动生成的平行语料还不足以训练模型,本文提出了结合单语语料训练文言文和现代文机器翻译的模型SCCT-NMT(Semi-supervision Classical Chinese Translation Neural Machine Translationg)。其中包含了几个设计要点:第一点,在本模型独特的框架中,文言文和现代文使用同一个编码器,而解码端则是两个独立的解码器,两个语言间可以实现互相翻译;第二点,本文针对输入做了特殊处理,文言文的分词采用了字对齐和辅助字典的方法,并且每个输入都加入了词性信息;第三点,提出了结合词性的注意力机制CPS-Attention(Content and Part of Speech Attention),在计算的时候,引入了额外的词性信息帮助模型理解句子的语义;第四点,在解码端,本研究提出了结合复制机制和语言模型辅助解码生成,帮助解决在文言文和现代文翻译的时候,共现字多和生成语句不通顺的问题;第五点,在针对单语语料训练的时候,使用了噪声还原和反向翻译的方法。最终,本文的模型能在缺少大量平行语料的情况下,同其他机器翻译模型相比,有了不错的提升。