科学技术的高速发展和互联网的普及使人际信息交流和文化交互日益频繁,全球化背景下,人们对于消除不同语言间的沟通障碍需求迫切。神经机器翻译(Neural Machine Translation,NMT)作为当前性能最优的自动化翻译技术,已成为目前主流方法,其研究与发展具有深远意义与广泛应用前景。本文从NMT的编码器端入手,结合汉法两种语言在组块上的特点,提出了将源语言组块信息引入NMT的方法,并设计实现了汉法神经机器翻译原型系统。主要工作和创新点如下:1)深入分析了现有基于组块的机器翻译方法,研究了基于短语的统计机器翻译模型和基于组块的神经机器翻译解码器,推演了各自的建模过程、参数推导以及模型训练算法。2)针对汉语言特点,将组块知识引入神经机器翻译的编码器端。在编码器端单词层之上增加了一个额外的组块层,分别提出了基于外部工具的组块切分方法(Chunk Segmentation Method based on External Tools,T-CSM)和基于编码器的组块自动切分算法(Automatic Chunk Segmentation Method based on Encoder,E-CSM),实现基于单词层编码信息和组块切分信息的组块层模型构建。实验表明,上述方法有助于系统获得更多的源语言上下文结构信息。3)针对注意力模型,提出了基于组块的注意力模型(Chunk Attention Model,CAM)和基于组块和单词的融合注意力模型(Chunk+Word Attention Model,CWAM),以便将更多源语言和目标语言的组块知识融入上下文向量编码。实验表明,上述方法有助于系统获得更多编码器和解码器在不同层级上的状态信息。4)设计搭建完整的基于组块的汉法神经机器翻译系统。采用Open Subtitles2016汉法平行语料进行系统验证。实验结果表明,本文提出的E-CSM结合CWAM的方法能有效提高NMT的翻译效果,相较于基线系统,BLEU值提升了2.1。同时,与基于多隐层编码器的NMT系统进行对比实验,实验结果进一步验证了上述方法的有效性和实用性,证明了组块知识的引入对NMT系统性能具有重要作用。