机器翻译自动评价是机器翻译研究中的一个重要环节,在机器翻译系统的开发周期中起着重要的作用。目前一些简单的基于字符串相似度的方法虽然能高速的对译文进行评价,但是其评价结果存在着严重的偏向性。国际研究中的主流改进方法是融入更多的语言学信息。这样虽然能让评价模型的性能得到提高,但是却因其用到了语言学信息,而丧失了语言的独立性。事实上,语言学信息的引入可以被认为是一种单元匹配时计算单位(粒度)的改变。为了将提高自动评价方法的精度、速度,扩大应用的范围,我们从改变机器翻译自动评价模型计算粒度的角度出发,提出了一系列机器翻译自动评价方法:首先,我们提出了基于字母的机器翻译自动评价的方法。这一评价方法既具有语言独立性,并且又能解决部分的词语曲折变化等问题。同时为了进一步改进基于字母的机器翻译自动评价方法的性能,我们提出了i_Letter_BLEU和i_Letter_Recall两种方法,这两种方法能够根据标准译文自动地调整参数,使得基于字母的机器翻译自动评价方法的性能更加稳定。其次,我们根据现有的基于机器学习的特征融合方法,提出了基于表层信息的多粒度特征融合方法。该方法在SVM排序和回归模型框架下进行特征融合。经过特征选择仅使用了少量的特征就在往年评测数据上取得了与评测时最高成绩可比较的结果。并且值得注意的是,这种方法没有用到任何的深层的语言学信息,是语言独立的。最后,我们将语言学特征用字符串表示,在一系列的基于语言学的计算粒度上分析语言学特征的对于机器翻译自动评价的贡献,提出了基于语言学多粒度特征融合的自动评价模型。该方法仍然在SVM排序和回归模型框架下进行特征的融合。该方法经过特征选择,从大量不同粒度的特征中进行选择,提出了一种较低的计算复杂度的方法,但是相对于其他传统方法具有更高的性能。