机器翻译自动评价是近年机器翻译研究工作中的热点问题。机器翻译的自动评价具有速度快、成本低、一致性强的特点，在机器翻译系统的开发周期中起着重要的作用。句子级机器翻译评价的性能目前低于系统级评价，而人们对句子级评价的需求，促进了句子级机器翻译评价的研究工作。　　在句子级机器翻译评价的研究工作中，机器学习方法得到了广泛的应用。其中基于支持向量机(SVM)方法的应用最为广泛。支持向量机的学习策略包括分类、回归和排序三种，而本文主要研究了回归策略和排序策略。　　在机器学习方法中，特征的选择是至关重要的。本文通过探讨语言学特征与传统的基于字符串相似度的特征间的相互作用，以及分析英汉翻译测试中各种翻译错误与人工评价间的相关性，得出了“在关键语言层次上设计关键特征，并与基于相似度特征相结合”的特征选择策略。　　根据本文的特征选择策略，本文设计了六个基于语言学知识的特征，并将其与三个基于字符串相似度的特征结合起来，使用语言学特征、基于字符串的特征，以及所有九个特征训练了SVM回归模型，实验表明，六个语言学特征具有与基于字符串特征不相上下的表达能力，而两类特征的结合、互补，带来了显著提升的性能。学习曲线分析表明，几种特征组合均呈现了稳定的性能和良好的泛化能力。　　本文在NIST和WMT两类数据集上对SVM回归和SVM排序上进行了性能、泛化能力以及鲁棒性的比较。通过实验，本文发现在同构数据集上，SVM回归的性能要优于SVM排序，而在异构数据集上，SVM排序则表现出较强的鲁棒性。而且，通过考察两种策略在基于译文质量排序的人工评价上的排序准确率，本文发现SVM排序方法在分辨译文质量差异上的能力要优于SVM回归方法，而且需要相对较少的训练样本就可以达到稳定的性能。