近年来,统计机器翻译的研究蓬勃发展,机器翻译质量有了很大改善,使得在很多领域它为人们提供了方便、快捷的翻译服务。语言模型作为统计机器翻译系统的一个重要部分,可以用来测试目标语的流利度,影响着解码过程中词语的选择、调序和其他决策问题。因此,本文的研究目的是在目前先进的语言模型技术的基础上,对其进行优化,使模型在统计机器翻译任务中获得更好的效果,提升统计机器翻译系统的性能。本论文主要针对统计机器翻译统计中的语言模型进行研究,对传统的语言模型和神经网络语言模型所带来的翻译性能作了对比,针对神经网络语言模型在训练时花费较大的时间代价的问题,提出了一种改进措施,以提高模型训练时的收敛速度和模型的性能。提出了一种结合词向量到神经网络模型中的方法,使其可以学习到更多的语义信息,提高模型训练时的收敛速度和模型的性能。将训好的词向量引入到模型训练中,将输入层的词向量先通过另一个网络结构进行训练,将词向量确定化,即把一种已有的知识结合到神经网络语言模型中,以提高其效率。另外,论文研究神经网络统计语言模型的参数对模型效果的影响。经过实验,分析神经网络各层节点数、学习率、停止准则对其的影响。研究表明使用ReLU激活函数可以提升模型性能。总之,通过实验我们得知神经网络语言模型能给机器翻译的翻译性能,带来比较好的提升。将神经网络的理论研究,运用的机器翻译的领域,将会给机器翻译研究带来新的思路和广阔的天地。