机器翻译是自然语言处理的一个重要方向,神经机器翻译方法已经成为目前最流行的翻译方法,在一般的翻译任务上有很好的表现。然而,对大规模平行语料的需要成为了制约神经机器翻译方法在更多语言对和更多领域上应用的关键因素,低资源场景下平行训练数据不足的问题亟待解决。最近几年,基于数据增强的方法在低资源机器翻译上逐渐得到应用。该方法通过扩增出大量的伪平行语料作为原语料库的补充训练数据,有效解决了数据稀缺的问题。本文从数据增强中伪平行数据的生成和筛选两方面探索如何更好地发挥数据增强的能力,更好地解决低资源场景下平行数据规模不足和质量欠佳的问题。第一,本文提出了一种依词频采样的双端同步替换方法。该方法是受到文本分类方向上的一篇文章的启发提出的基于词语替换的文本增强方法。所提方法考虑到训练语料中词频不平衡的问题,以与词语出现频率成反比的方式为词语分配替换概率,使原本频率较低的词语在扩增语料中有更多的出现,原本频率较高的词语在扩增语料中有较少的出现;并且使用词对齐模型对源语言句和目标语言句做同步替换,以保持机器翻译的双端互译性。在实验数据集上的实验表明,该数据增强方法有效提升了低资源机器翻译的表现,且与几种相近的基线方法比较有一定的优势。第二,本文提出了一种基于多维度质量评价的伪平行数据筛选方法。该方法对数据增强生成的伪平行语料综合语法流畅度、语义匹配度,和低频词展现三个维度进行评分,选择出得分最高的一定比例的扩增数据加入到原数据集中参与训练翻译模型。在实验数据集上的实验表明,使用本文所提方法对不同数据增强方法生成的伪平行数据进行筛选后均能提升翻译系统的表现,而且将其直接用于过滤原始数据集时也能够小幅度地改善翻译效果。