统计机器翻译是当今机器翻译的主流方法,这可能由于很多原因,比如准确性,可扩展性,计算效率高,能够快速移植到新的语言对和领域等等。然而,现在的统计机器翻译方法产生的翻译结果经常不满足句法,而且不能很好的处理长距离的调序问题。最近,统计机器翻译研究工作者开始关注有更多语言学信息启发的翻译模型,主要包括同步上下文无关文法模型和树到串的树转录机模型。首先,本文对基于上下文无关文法的层次短语翻译模型进行了较为全面的研究,并实现了层次短语翻译模型的系统。考虑到层次短语翻译模型本身固有的复杂性,我们在实现层次短语翻译模型时使用了高效的算法和数据结构。同时,注意到层次短语翻译模型是基于句法的翻译模型的基础和原型,层次短语翻译系统的设计具有较高的可扩展性。其次,我们对层次短语翻译模型进行了实证分析。考虑了层次短语翻译模型的三个主要方面。第一,我们加入句法完整性对原有的参数估计方法进行扩展,提出了考虑句法信息的有指导的参数估计方法。第二,我们使用简单分类方法和基于模式的分类方法对层次短语规则进行了分类。第三,我们对层次短语抽取规则算法进行了一系列的限制。同时,我们对这些实验结果进行了比较细致的分析。最后,我们对层次短语翻译模型和短语翻译模型,层次短语翻译模型和基于句法的翻译模型进行了对比分析。我们先通过Moses系统和层次短语翻译系统的实验对比分析这两种模型的内在性质,然后比较了树到串的转录机规则和层次短语规则。通过这些比较得出结论,层次短语翻译模型并没有完全发挥同步上下文无关文法的优势,为了进一步提供统计机器翻译的性能可以尝试扩展层次短语翻译模型形式文法扩展为具有语言学意义的文法,同时以更系统的方式在模型中增加更多上下文。