随着深度学习的快速发展,基于神经网络的蒙汉机器翻译质量也有很大改善。本文针对机器翻译技术,对蒙汉机器翻译展开研究。由于蒙汉双语平行语料资源相对匮乏,导致注意力权值、词向量的学习受到限制,无法直接将其它翻译任务上的翻译方法应用到蒙汉翻译中。针对上述问题,本文提出了融合先验信息的蒙汉神经网络机器翻译模型,利用先验信息丰富模型学习的可利用特征,提高模型的翻译性能。首先,提出基于蒙汉机器翻译的指导对齐模型。通过对目标语言句子重排序,以减少汉文和蒙古文句子中存在的语序差异,从而提高基于统计方法的词对齐的准确率,之后利用统计方法获得的词对齐指导翻译模型的训练。此外,提出基于语义相似度的集外词替换方法,利用词向量计算单词与单词之间的相似度,将训练语料中的集外词用目标词典中的单词替换。最后是预训练模型,把利用大规模单语语料训练得到的词向量作为翻译模型的初始词向量,且在词向量中融入词性特征。实验结果表明,将指导对齐模型应用在神经网络蒙汉翻译任务上相比于基线系统译文有明显提升,BLEU值提升到了31.98,相比于基线系统BLEU值提升了2.29。实验证明,基于语义相似度的集外词替换方法可以减小翻译模型的计算复杂度。加入词向量预训练模型后,翻译模型的译文质量相比于基线系统BLEU值提升了2.68。