传统的机器翻译模型使用批量学习的方法进行参数优化。随着稀疏特征等概念的提出,批量学习方法已经远远无法满足现有的需要,在线学习技术逐渐进入了人们的视野。一些研究者提出了在线适应的学习框架,不仅对特征权重进行调节,而且能够对特征函数进行实时地修改。另一方面,机器翻译自动后编辑技术已经被证明能够显著提升人工编辑的效率,并且对于译文质量也有一定程度的提高。为此,本文对基于在线适应的机器翻译后编辑进行了研究,主要的研究内容分为如下几个方面:(1)在线适应模型研究。在方法层面使用相同规模的数据上对比了传统的批量学习方法与在线适应方法的性能。在系统层面比较了自动后编辑系统与机器翻译系统的区别。在模型层面针对在线适应的三个模型参数——迭代次数、kbest列表长度以及最大更新步长分别进行了探究实验。(2)基于主动学习的在线适应后编辑研究。提出了一种主动学习的方法并将其应用于在线适应的学习过程中。首先分别对学习开始时和学习结束时的句子级BLEU得分进行计算,并利用BLEU的涨幅为每一个句子标注类别。然后保留所有类别为正的句子进行下一阶段的主动学习。另外,还保留最优测试集的特征权重并对训练集进行解码,以便查看主动学习方法对于大规模测试集的性能。(3)基于规则表过滤的在线适应后编辑研究。提出了一种规则表过滤的方法期待提升译文质量。首先分别从开发集和测试集中抽取解码用到的规则,然后探究每条规则对于解码性能的影响。把能够增大解码收益的规则设定为正例,把减小解码收益的规则设定为负例。在确定了类别标签后,使用TM特征和自定义的特征训练SVM的分类模型,并最后对测试集的解码规则表进行预测。这种做法的实质是对解码时搜索路径的一种优化。