近年来,人工智能在图像处理、自然语言处理、文本识别等方面发展迅速,尤其是在机器翻译上,取得了显著的效果。机器翻译是利用计算机算法去实现两种自然语言之间相互转换的过程。在实现机器翻译任务上,目前已经有很多成熟的模型可以应用,包括经典的隐马尔科夫模型、BP神经网络、递归神经网络、Encoder-Decoder模型以及序列到序列模型(Sequence to Sequence Model)。当向机器翻译模型输入序列时,随着序列长度的不断增加,会出现长距离约束即输入输出序列的长度被限制在固定范围内的问题,因此所建模型的能力会受到约束。序列到序列模型可以解决长距离约束问题,但单纯的序列到序列模型无法参考词语前后或其他位置的内容改善翻译质量的行为进行建模。为了弥补该缺陷,学者们提出添加注意力机制(Attention Mechanism)的序列到序列模型。本次实验使用递归神经网络,将数据集应用在添加注意力机制的序列到序列模型中进行探索研究。本文的主要工作如下:(1)本文以从射手网提取的中英文对照语句为数据对象,使用注意力机制下的序列到序列模型进行中文到英文之间的翻译研究。(2)本次研究阐述了机器翻译及部分模型的研究现状,简述了深度学习框架。详细分析了BP神经网络、Encoder-Decoder模型、基于神经网络的机器翻译及注意力机制的运算过程、原理、优缺点;(3)对使用Py Torch实现的序列到序列模型以及注意力机制进行了研究,通过分析翻译的时间消耗、翻译后的词错率以及模型评价标准值来评价模型;(4)最后,本次实验通过应用Encoder-Decoder模型和机器翻译相关技术完成在注意力机制的应用探究,通过训练数据,该模型在中文英文数据集上取得了一定的效果,得出了部分翻译结果以及注意力机制在语句中的表现。相比只使用机器翻译模型来说,应用了注意力机制的机器翻译模型在中文到英文的翻译上使得BLEU值提高了1.24。