近年来,机器翻译发展迅速,相比人工翻译具有独特优势,即翻译速度快,免费获取。并随着机器翻译质量逐步提高,译文质量已经基本能满足粗阅读的要求,这也使得机器翻译成为近年来社会关注的热点之一,但要达到精阅读的水平,机器翻译质量还有待进一步提高。对于译文错误分析加以深入研究是提高机译译文质量的重要步骤。目前学术界对于商务英语的错误分析研究不多,少有的研究也大多只是对于错误译例进行简单分类,缺乏深入性的实证研究。本文以华尔街日报的文章为分析语料,旨在通过对英-汉机器翻译译文进行错误分析,从而找到提高英-汉机器翻译质量的对策。文章分析了机器翻译译文的错误类型,并进一步探讨了机器译文中错误类型分布情况的深层原因。并非简单地就机器译文中的错误进行统计和归类,本文的创新之处还在于从naming-telling(NT小句)的角度出发,就两种类型文本的机器翻译结果进行对比,第一种是将整个英语原句输入机器翻译引擎得到原句的机器译文:第二种是将英文原句先拆分成NT小句,然后再将拆分后的NT小句依次输入机器翻译引擎,最后分别统计和分析了两种类型文本的错误数量和分布情况。机器翻译的错误类型分为以下三类:结构错、词义错和漏译。其中结构错又进一步细分为SV结构错和非SV结构错。统计结果表明,第一,机器译文中结构错占比最大,而非SV结构错又比SV结构错多;第二,把英语原句拆分成英语NT小句后,错误数目明显减少。该研究结果揭示了非SV错误是机器译文中的主要错误类型,因此在进行英汉机器翻译前,英语句子特别是英语长句应先拆份成NT小句。