通过构建神经网络生成模型,机器翻译在近几年取得了长足发展,落地应用层出不穷。然而,由于语言本身具有多样性,同样语义的表达在遣词造句、情感风格等方面可能有所不同。因此机器翻译本质上是一对多的监督任务,对源语句的理解和目标语句的生成都具有不确定性。当下的主流研究方向侧重提高翻译的准确性,通常采用最大似然估计和束搜索算法分别对翻译过程进行确定性建模和搜索,仅在一定程度上捕捉文本生成的不确定性,而忽视翻译的多样性。多样化机器翻译任务兼顾翻译的准确性和多样性,也就是根据一个源语句翻译生成多个有效的目标语句,既可以给用户提供多种选择,也能够为解决文本歧义问题提供一种新的思路。本文对翻译过程中的不确定性进行建模和搜索,全面考虑翻译过程中的语法结构和单词的多样性。本文的主要工作如下:（1）本文提出了一种全局多样化束搜索算法。根据专家混合模型的建模特性,全局束搜索算法充分考虑之前所有时间步的生成序列对当前时间步的作用,实现不同的搜索束之间异步影响。（2）本文提出了一种检索—翻译多样化模型。率先引入辅助记忆来作为专家指导机器翻译模型生成多样化结果,并且通过交叉注意力网络向解码器引入的专家信息能够进一步提高翻译质量。（3）本文提出了一种辅助记忆编码和语法特征融合方法。在检索—翻译多样化模型的基础上,首先通过树形编码器增强模型对语法结构的捕获能力;其次采用辅助记忆的编码信息初始化编码器状态,进一步强化对解码阶段的指导作用,避免离散化语法编码带来的信息损耗。在WTM和JRC-Acquis数据集上的实验表明,全局多样化束搜索算法能够有效提升生成结果的多样性,基于辅助记忆和语法成分解析的模型能够同时提升生成结果的翻译质量和多样性。