低资源机器翻译是目前机器翻译领域的重要研究热点之一。机器翻译模型的完备训练需要大规模的平行或可比较的语言学资源,然而,在实用过程当中,这类语言学资源往往相对匮乏。特别是小语种和稀缺语种并不具备平行或可比较的语言学资源。由于欠缺这类语言学资源,机器翻译模型无法充分掌握特定语言的语义、语用和语法的翻译特征,使得借助监督学习形成的机器翻译模型无法提供高质量的译文。本文针对低资源场景下词义级和句子级的互译知识缺失两项问题开展研究。本文针对上述问题一共开展三项研究,其中,前两个研究内容针对词义级互译知识缺失问题,第三个研究内容针对句子级互译知识缺失问题。具体研究内容如下:1)单词对齐是机器翻译的基础任务之一。在低资源场景下,平行语料的缺乏会导致模型无法捕捉两种语言之间语义相近的词,即语义级的词对齐性能偏低。词对齐的性能不高将直接影响后续翻译过程的性能。因此,本文首先针对低资源场景下的词对齐开展研究,其动机是词对齐的准确率提升有助于句子级别的机器翻译任务。具体地,本文提出一种基于语境表示和双语词典的词对齐方法,其利用预训练模型中的上下文语义和双语词典,帮助词对齐模型在理解词义的基础上,引入上下文信息,借以提升词对齐准确率以及后续的翻译质量。2)在低资源场景下,迁移学习有助于提升翻译模型的性能。这类方法在高资源语言（比如,英语和德语）上训练父母翻译模型,并在此基础上,将其迁移到低资源语言的翻译学习过程当中,使其从一个较高的学习起点开始,进一步训练孩子翻译模型。其中,底层分布式表示迁移（Embedding Transfer）是常用的方法之一,其在父母模型和孩子模型之间建立了一种针对相同子词（Sub-Word）的迁移机制,即将相同子词的分布式语义表示直接进行克隆。这类方法虽然迁移了父母模型的翻译知识,但是在词表差异较大的情况下,相应的迁移效果并不理想。本文针对这个问题开展研究,即提出一种基于跨语言子词语义迁移的低资源机器翻译优化方法。该方法在克隆相同子词的分布式表示的基础上,同时克隆词义相近的子词的分布式表示,该方法有助于进一步扩大低资源场景下孩子模型初始的翻译知识。3)平行数据的稀缺影响了翻译模型对语义的理解。针对这一问题,本文提出一种基于对比学习的低资源神经机器翻译方法,其通过数据增强和对比学习改进翻译模型。具体地,该方法在应用对比学习过程中能够保证互译句对向量表示的一致性,同时对非互译句对的向量表示进行差异化的修正,以此增强翻译模型对句子整体的语义理解,提升最终的翻译性能。本文针对低资源场景下词义级和句子级的互译知识缺失两项问题开展研究,分别提出了一种基于语境表示和双语词典的词对齐方法,一种基于跨语言子词语义迁移的低资源机器翻译优化方法,以及一种基于对比学习的低资源神经机器翻译方法。本文在国际权威数据集（WPT 2005、ALT、PAN Localization BPPT和WMT17新闻翻译任务）上对上述方法进行测试。实验结果显示,上述基于语境表示和双语词典的词对齐模型在WPT2005词对齐数据集上,获得了显著的性能优势。具体地,面向英语-法语和英语-罗马尼亚语,其词对齐错误率（AER）分别降低了 3.5%和2.0%;基于跨语言子词语义迁移的低资源机器翻译优化方法在ALT的缅甸语-英语翻译场景、PAN Localization BPPT的印度尼西亚语-英语翻译场景和WMT17新闻翻译任务的土耳其-英语翻译场景上的BLEU性能分别提升了 2.0%、2.0%和1.1%;基于对比学习的低资源神经机器翻译模型在ALT的缅甸语-英语翻译场景、PAN Localization BPPT的印度尼西亚语-英语翻译场景和WMT17新闻翻译任务的土耳其-英语翻译场景上的BLEU 性能分别提升了 1.12%、2.48%和 0.59%。