机器翻译自诞生之日起,不断取得新的突破。然而现有对翻译的研究仍然存在以下不足:1)较少考虑语言本身的层次关系;2)采用句子级别或者单词级别的翻译,较少考虑短语粒度的翻译;3)鲁棒性不强。本文的工作如下:(1)阐述了树形结构的编码器。考虑语言本身的分层结构,将树形结构的思想引入到Transformer编码器中。并添加了基于LSTM的Embedding方法,捕获字符级别的语义信息。在已有的Attention模块中加入了组分注意力模块,促使每个词只关注本组分内部的词,形成句子的层次结构。并且采用了一种无监督解析算法,从未加标注的语料中生成树形结构,不仅提高了注意力的可解释性,还结合了语言学本身的分层特点,具有更好的语言建模能力。(2)阐述了基于块注意力的解码器。从解码过程出发,使用2个LSTM单元,将短语和词的解码区分开,划分为两个不同的时间尺度,有效解决了短语和单词长度不一致,词法变化不一致,而产生的翻译不同步的问题。并通过块注意力,实现了这种效果。通过这种方法,目标句子按照从块(短语)到词的层次结构进行翻译,并利用了不同粒度的语义信息。将目标句子分层地从块到词进行翻译,提升了翻译结果的2.03 BLEU。(3)引入了GAN技术。将本文的第二项工作,集成到GAN当中,通过判别器和生成器的对抗训练,促使编码器的行为对于输入及其对应的受干扰项,保持一致性。通过联合最大化原始数据和扰动数据的概率提高解码器的稳定性,提高了NMT模型的鲁棒性,结果提升了1.18 BLEU。