随着中国与越南的交流越来越密切,汉语-越南语的翻译技术需求不断增长,汉语-越南语这种低资源场景下的翻译技术研究越来越好。然而现阶段研究的翻译技术,更多的是针对正式文体的使用场景,如新闻文本,官方文件等的翻译。对于非正式文体,如网络评论,口语日常对话等使用场景,在同样的翻译模型下,翻译性能明显不足。原因就是在这些场景下,经常出现不符合正常语法的表达方式——代词省略,造成句法成分缺失。这些对于人而言可能很容易理解,但在完整性和正确性方面给机器翻译带来了很多挑战。本文为提升在日常对话和口语等场景下的汉越神经机器翻译,促进汉越民间交流。针对零代词现象进行深入研究,提出了两种有效的处理方法。具体如下,本文主要完成了以下研究工作:（1）零代词汉越神经机器翻译语料库构建针对汉越平行数据少的问题,通过网络爬虫和字幕解析收集英-汉平行语料,英-越平行语料以及英-汉-越平行语料。根据汉语越南语语法中的省略代词特性,利用英语平行句完整的句法成分信息,来对汉语和越南语进行代词补齐和序列标记。获得补齐代词的语料,分别是3M规模的汉语单语语料、1M规模的越南语单语语料和30K规模的汉越平行语料。（2）基于零代词补齐的汉越神经机器翻译方法缺失代词会导致句子句法成分缺失,影响机器翻译性能。而代词预测困难,人工标注成本高。针对该问题,本文提出一种先将缺失代词补齐,再进行机器翻译的方法。具体的,将代词补齐任务分为代词位置预测和代词预测两个任务。代词位置预测采用Transformer+CRF模型来标注缺失位置。代词预测任务则采用Transformer+classifier的方法,同时在Transformer的编码端融入一个与代词相关的词法、句法、上下文的特征集合来约束序列表征,以提升代词预测准确率。非正式文体的汉语、越南语单语语料通过代词预测模型,补齐缺失代词信息,提升语料质量,再进入翻译模型,得到正式文体的译文。在300K规模的汉越数据上获得了0.51的BLEU值提升;在300K规模的越汉数据上取得了0.37的BLEU值提升。实验结果表明,补齐零代词可以有效提升汉越神经机器翻译的性能。（3）融合零代词信息的汉越神经机器翻译联合方法代词多分类预测准确率较低,代词补齐的错误可能会传播到后续翻译任务中影响翻译性能。并且,汉越都属于代词脱落语言,补齐代词再翻译可能会在译文生成额外的代词。针对以上问题,采用端到端的方式,将缺失代词预测转化为零代词分类识别,联合零代词分类任务和机器翻译任务,同时利用临近上下文信息来增强零代词信息表征,提出一种融合零代词信息的汉越神经机器翻译的联合模型。进一步提升了翻译模型的性能。与基准模型相比,在300K规模的汉越数据上获得了1.43的BLEU值提升;在300K规模的越汉数据上取得了1.38的BLEU值提升。实验结果验证了融合零代词信息的汉越神经机器翻译联合模型的有效性。（4）面向非正式文体的汉越神经机器翻译原型系统利用以上研究成果,通过一定规模的汉越字幕对话语料,训练一个适用非正式用语的汉越神经机器翻译模型。基于该机器翻译模型设计并实现一个简单的面向非正式文体的汉越神经机器翻译手机端原型系统。系统开发采用前后端分离的方法,前端基于i OS框架的app开发,后端采用python开发,包括用户登录管理模块、汉越机器翻译模块和数据收集模块共同组成。