句子级别的机器翻译质量估计任务以源语言语句及对应的机器翻译译文为输入,对译文的质量进行估计。随着近几年机器翻译的发展,机器翻译质量估计逐渐成为自然语言处理领域内的一大研究热点。近些年,随着深度学习的发展,使得基于深度学习的神经网络机器翻译模型得到广泛关注和应用。并且,机器翻译质量估计任务和机器翻译关系紧密,所以本课题希望借助神经网络机器翻译模型来提升机器翻译质量估计模型的性能。本文首先进行了一些基础实验,包括采用语句单词的词向量平均值作为特征的机器翻译质量估计实验等。通过这些实验,得出了在译文质量估计问题上,选用合适的特征比模型对预测效果的影响更大的结论。目前借助神经网络提取机器翻译质量估计特征的方法中,有一种是直接将语句单词的词向量求平均值的方法,该方法完全忽略了语序、词语间的相互联系等有效信息,因此本课题提出了一个借助神经网络机器翻译模型来提取融合了翻译知识的特征的方法,并通过实验证明该特征相比于词向量特征预测能力更强。然后在此基础上,尝试对上述融合翻译知识的特征的提取过程进行改进,但是实验结果表明改进后的特征的预测效果并没有提升。最后,课题对该特征和其他特征的不同组合方式进行了探索,添加其他特征之后,预测效果有所提升,证明了该特征和其他特征在一定程度上互补。本课题提出的融合翻译知识的特征提取过程,相当于是分别对源语句和目标语句建模,而句子级别的机器翻译质量估计任务要求预测译文的质量HTER,这需要对源语句和对应的机器翻译译文之间单词级别的联系进行更加细致的建模。而词级别的机器翻译质量估计模型是对译文的每个单词输出错误还是正确的标签,相比于分别对源语句和译文建模,这种方式更加细致,因此课题还探索了使用词级别的机器翻译质量估计模型来对句子级别的机器翻译质量估计任务进行预测。最终取得了较好的研究成果。