随着计算机技术的不断发展,机器翻译方法也经历了漫长的研究历程。近年来,人工神经网络的研究给机器翻译带来了全新的解决方案。序列-序列模型的应用使机器翻译性能获得了质的飞跃。神经机器翻译模型的训练依赖于大规模的双语平行数据,数据中蕴含了充分的知识供机器学习,训练过程就是数据表示和知识提取过程。如何利用数据增强方法,使模型学习得更容易,知识提取得更充分,是一个重要的研究课题。本文从两方面对数据增强方法展开研究。一方面,数据中复杂知识的简化有助于模型的学习。如句子中复杂数字短语是机器翻译的主要问题之一,模型很难从有限的样例中学会两种语言之间数字及单位信息的正确翻译规则,也因此会影响整句的句意转述。相反,人可以很容易地描述出互译规则送给机器,机器只需要专注翻译它更擅长的数据就可以。因此本文通过数据增强方法增强简单数字短语的学习,同时简化句子中的复杂数字短语,并构造外部翻译模块,实现神经机器翻译模型对携带复杂数字信息的句子的翻译。另一方面,单语数据在机器翻译任务中仍未被充分使用。经过研究发现,源端单语数据和目标端单语数据在训练中有助于提高编码能力和解码倾向。另外,很多场景中,人们希望将机器翻译应用到特定领域。但某些领域的双语平行数据十分有限,不具备充分训练模型的能力,因此我们尝试在训练中加入领域内单语数据。由于训练中编码端和解码端需要输入对照的原文和译文,文中通过数据自学习的方式使其参与训练,从而引导解码端的输出倾向,改善模型的领域适应能力。实验结果表明,本文的数据增强方法和数字短语优化方法,在神经机器翻译中取得了不错的效果。复杂数字短语实现了97%以上的翻译准确率;领域适应实验结果比基线提高了至少2个BLEU值。