近年来,深度学习在自然语言处理的多个任务中得到了普遍的应用,机器翻译任务就是其中之一。神经机器翻译虽然已经基本代替了传统的统计机器翻译,取得了接近人类水平的性能,但作为一种数据驱动的方法,在资源稀缺的情况下,其性能表现十分有限。然而,对于实际中的很多语言对,高质量的平行语料是非常稀缺的,因此严重制约了模型的性能。本文旨在探索如何在零资源情况下,充分利用其它可获得资源来训练一个神经机器翻译模型。通过引入一种资源丰富的第三种语言作为中轴语言,提出了一种基于“教师-学生”框架的零资源机器翻译的实现方法。我们的方法只需要一个源语言到中轴语言以及一个中轴语言到目标语言的平行语料,而不需要源语言直接到目标语言的平行数据。首先,本文提出了一种零资源翻译方法,其基本思想是借助中轴语言和目标语言的平行数据,训练一个“教师”模型,然后借助源语言和中轴语言的平行数据,让中轴语言的编码器指导源语言的编码器“学生”模仿自己的训练过程,最后将源语言编码器和目标语言解码器进行拼接,得到最后的翻译模型。然后,为了使得“教师”模型更好的指导“学生”模型,本文采用了跨语言词向量的技术,将源语言和中轴语言提前映射到同一隐空间后,固定词向量训练模型。最后,出于解决平行语料不足问题的考虑,本文通过回译与双向联合训练的方式,构造伪平行语料,对翻译模型进行微调。本文提出的算法在四个翻译方向上的实验结果,验证了其有效性。