大规模语料库的出现和计算机处理能力的提高，使得数据驱动的方法在某些自然语言处理的子领域里，如中文分词，词性标注，语言建模等取得了巨大的成功。但在语言建模，机器翻译等领域，随着数据规模的急剧增大，纯粹基于统计的语言学知识贫乏路线已经逐渐走向极限，效果提升不再显著。如何将语言的先验知识和内在规则，在不损害统计方法的优势前提下，在统一的数学框架规范下有效融入到模型中来，以达到改善的效果，成为人们越来越关注的一个研究课题。　　 本文的研究目标是机器翻译中的忠实、通顺。其语言理论来源是由曹青老师提出的英语造句法，该理论从思维和语言的对应关系入手，揭示英语语句的生成过程。受该理论中的层次语言单位结构的启发，我们重新定义了一组语言单位，结合已有的统计理论和方法，建立了话、充当者和词的切分与标注模型，设计和实现了标注工具与标注规范，并将其应用于大规模的语料库上。在这些自动获取的数据上，我们利用语言单位的内在生成过程，结合机器学习的方法，对英语建立了基于话、充当者和词的层次语言模型，并与传统的基于词的N元语法模型做对比，检验其对语句合法性的区分能力。根据语言单位的排序规则，我们设计实现了框式排序模型和缀根缀式排序模型，该模型从对齐文本中自动获得训练数据，并利用最大似然估计和回退模型进行训练。在机器翻译中，我们将该模型应用于输入文本，进行预排序，使之与目标语言语序接近，然后用主流的基于词组的统计机器翻译系统进行训练和解码。　　 合理的语言单位划分能够更准确地描述语言的生成过程与经验分布，细化的排序模型则有助于机器译文的通顺流畅，我们在本文的给出的对比实验结果也说明了这一点。