译文质量估计是在无参考译文的情况下对机器译文质量进行评价,在计算机辅助翻译中具有重要意义。传统的译文质量估计方法基于特征工程,通过对双语特征进行设计与选择,进一步学习特征与译文质量分数之间的映射函数。随着深度学习技术的发展,目前被广泛采用的译文质量估计方法利用神经网络自动学习双语特征,克服了传统方法需要人工设计及挑选特征的局限性。但是通过对具体模型及细节的详细分析,发现目前效果较好的基于深度学习的译文质量估计方法中仍存在一些问题需要解决,本文将这些问题总结为两个方面。第一,目前被广泛采用的基于端到端的两阶段的译文质量估计方法虽然能够学习一定的双语结构信息,但是仍然不能挖掘出更深层次的句法知识。针对该问题,本文提出了一种融入句法知识的译文质量估计方法,通过将句法知识显式地融入当前模型中,有效提高了译文质量估计的准确性。第二,预训练的词嵌入不仅可以为译文质量估计模型引入先验知识,同时能够克服下游模型过拟合现象的产生,但是当前研究中所采用的预训练的词嵌入未能携带较为全面的上下文信息。针对此问题,本文在句子级子任务上引入了语境化词嵌入特征以及依存句法特征,并提出了一种多特征融合的译文质量估计方法,且证实了该方法的有效性。最后,集成本文提出的两种方法,设计并实现了基于深度学习的译文质量估计系统,该系统能够从不同粒度上对译文质量进行估计,与单个方法相比,进一步提高了译文质量估计的效果。