本文的研究内容是基于层次短语的统计机器翻译模型中的参数训练和解码问题。　　 统计机器翻译中的参数训练问题是指在训练集上学习合适的统计机器翻译模型中的特征参数的问题。本文研究了一种基于结构化支持向量机的参数训练方法。该方法被设计为直接针对机器翻译自动评测指标进行参数的优化,训练过程采用边缘最大化的原则以及割平面算法进行求解。实验结果显示,基于结构化支持向量机的参数训练方法可以针对自动评测指标BLEU值对机器翻译输出的k-best列表进行重排序,也可以提升机器翻译系统的解码的总体效果。　　 统计机器翻译中的解码问题是指对于给定的源语言句子,在统计机器翻译模型的所有可能的输出中找到最好的目标语言句子的问题。本文提出了一种基于整数线性规划的统计机器翻译解码方法。在该解码算法中,语言模型概率和共现概率的相对大小被用来决定规则之间的关系,这些关系将被转化成整数线性规划中的线性不等式约束,由此把机器翻译解码问题建模为整数线性规划问题。根据使用约束条件的种类不同,基于整数线性规划的机器翻译解码模型可以分为基本模型、语言模型、共现模型,以及考虑所有约束的综合模型。在确定语言模型约束时,本文提出了两种通过语言模型概率值确定规则关系的方法,并实现了二元规则语言模型约束和三元规则语言模型约束。在确定共现模型约束时,本文提出了一种通过上下文计算规则相关性的方法,其中分别使用了两种计算规则相似性的方法。在构建综合模型时,本文提出了两种进行约束融合的方法。实验结果表明通过加入语言模型和共习模型,基于整数规划的解码算法的翻译效果进一步提高,部分超过CKYbeam-search解码算法。