随着当今全球化进程的不断发展,机器翻译作为一种沟通不同语言的技术越来越重要。如何定量的评价机器产生的翻译结果在机器翻译领域是一个重要的问题,正被越来越多的研究者们所关注。机器翻译质量评估是指在给定原文以及机器翻译系统产生的译文时直接预测译文翻译质量的机器翻译评价方法,该方法并不依赖参考译文。传统的机器翻译质量评估方法需要人类专家针对原文语言以及译文语言设计特征,这种方法代价较大。之后研究者们使用深度学习模型自动的从机器翻译质量评估数据中提取特征,但是训练深度学习模型需要大量的有监督数据,而现有的质量评估数据规模教较小,限制了模型的性能。目前流行的方法是基于知识迁移的机器翻译质量评估方法,该方法能从大规模的平行语料中提取双语知识,而后将双语知识迁移到质量评估任务中。但是平行语料中并没有机器翻译译文中可能存在的翻译错误,同时也没有相应的质量标记。最终的机器翻译质量评估模型依旧只能在少量的质量评估数据上训练。为了解决现有工作的问题,本文提出使用数据增强的方法来伪造新的质量评估数据。本文的主要工作如下:1.针对质量评估数据获取困难,现有规模较小的问题,本文提出使用数据增强技术来扩充现有的机器翻译质量评估数据,最大程度上利用已有数据。具体上,本文尝试了根据译后编辑结果进行采样、对原文进行改述以及加入噪音等数据增强方式。本文所提出的数据增强方法能够在保持质量评估标签正确性的情况下使有限的机器翻译质量评估数据更加多样化,进而使模型可以更好地学到质量评估方面的特征,提升鲁棒性。2.针对平行语料与机器翻译质量评估语料分布不一致的问题,本文提出一种基于平行语料伪造质量评估数据的方法以及相应的训练框架,从而能够最大程度的利用现有平行语料,学习到更加适合机器翻译质量评估任务的双语知识。比起平行语料,本文提出的方法所伪造的数据与真实质量评估数据的分布更加接近。同时,基于伪造的质量评估数据,模型可以直接使用质量评估任务的方式进行预训练,而现有方法只能在平行语料上使用词预测作为训练目标。这使得本文提出的方法可以更好地从平行语料中学习质量评估所需要的特征。本文主要在WMT2017、2019英德语向的机器翻译质量评估任务数据集上进行实验,实验结果证明了本文提出的方法的有效性,并且可以达到并超过现有最好的机器翻译质量评估模型。