神经网络机器翻译是一种端到端的编码-解码结构,通过深度学习神经网络获取自然语言之间的映射关系。神经网络机器翻译作为机器翻译的最新发展阶段,较之传统基于短语的机器翻译,其输出结果在忠实度与流畅度方面有了显著提升,谷歌神经网络机器翻译更是在多个方面取得了重大技术突破。然而,谷歌神经网络机器翻译中仍然存在许多问题,译文质量仍待提高。本文选取《贵州省投资政策摘编》这一政府类文件作为素材,截取其中部分段落以文档形式上传至谷歌在线翻译平台(https://translate.google.cn/),并用所得英译结果作为本次研究对象。本文从语言学角度出发,在错误分析理论框架下,通过对原文进行语域分析,在小句层面对比原文和译文的概念意义、人际意义,在语篇层面对比原文、译文的语篇意义,以发现谷歌翻译输出结果中的概念意义、人际意义及语篇意义错误。在整合、参考五种通用翻译错误分类的基础上,本文从忠实、通顺、风格三个角度将发现的错误归类,最终得到三个大类、二十个次类。本文研究结果显示,1)英语、汉语分属不同语系,汉语是意合语言,短语、小句主要依靠意义而非连词连接,无明显的逻辑关系,而英语是形合语言,句内成分由介词、连词、从句等手段连接,句子之间通过连词、借代、代替、省略、同/反义词、重复等词汇、语法手段连接,具有明显的逻辑关系。两种语言的显著差异为谷歌神经网络机器翻译的篇章翻译带来了困难;2)虽然谷歌神经网络机器翻译相较于传统机器翻译有了明显进步,但它处理的仍然是经过高度形式化、抽象化的语言,语言处理的关注点仍然在于句子结构以及句子的生成与转换,很少关注句子之间以及篇章层面的语境,因而在利用语境正确识别原文信息、断句、选词、风格规范等方面表现不佳。此外,谷歌表现不够稳定,导致了翻译不统一、句内单词大写等错误的出现;3)谷歌神经网络机器翻译训练所使用的语料库中存在译文质量参差不齐、同一术语有多种译文的情况,这也导致了谷歌神经网络机器翻译表现不佳。针对以上发现,本文从人工干预和机器翻译技术进步两方面提出机器译文质量改进建议,包括:以增加句子逻辑主语、调整句子结构以突显逻辑关系为重点的译前编辑,以纠错、润色为核心的译后编辑,以及在技术层面上规范常用术语的翻译、设置固定句型翻译模式等。同时,笔者认为人工译员应该与机器翻译进行合作而非竞争,建议人工译员向高端路线转型。