目前,作为自然语言处理热门方向之一的机器翻译获得了飞速发展,近些年机器翻译基础模型的效果也都在不断提升,如Transformer模型就到达了一个很高的翻译水平。但由于神经网络模型在训练时只集中关注平行语料之间的相关信息,而不能获取句子内的潜在语法信息。所以,机器翻译对于缺乏句内潜在信息的词汇翻译处理能力差,甚至会漏翻部分词语。如英德翻译中,由于英语没有阴阳性信息,神经机器翻译模型也无法捕获英语中潜在的阴阳性信息,因此在翻译德语时对有阴阳性信息的词容易错误翻译。如果能有效的解决英译德过程中阴阳性信息缺乏的词汇翻译问题,将会进一步提升英德机器翻译模型的表现。本文提出了三种在英语中预测阴阳性信息的方法。一是利用知识图谱获取英语阴阳性信息的方法,其主要依据是通过英文句子中的人名链接到知识图谱中获得人名的性别,根据获得的人名性别给句内单词赋予相关的阴阳性。二是利用篇章信息中人称代词及指代消解结果获取阴阳性信息,在英语中人称代词是有性别区分的,且人称代词指代的人名在其前文,所以可通过人称代词及其指代消解结果获得阴阳性信息。三是通过双语平行语料训练阴阳性序列标注模型来获取阴阳性信息,在英德平行语料中德语含有阴阳性信息而英语中没有,因此可以从德语中获取阴阳性信息,通过英德对齐信息将德语阴阳性赋予给英文句子,同时利用获得的英语句子及其阴阳性序列标注来训练一个英语阴阳性序列标注模型,以自动获得英语的阴阳性序列标注。通过多个策略获得了阴阳性信息之后,再将阴阳性信息与机器翻译模型进行有效的融合。本文首先介绍了融合单来源阴阳性信息的基本方法,在其基础上提出了层级混淆方法来融合多来源的阴阳性信息,并训练了层级混淆神经机器翻译模型进行英德翻译任务。融合单来源阴阳性信息的实验结果说明,单个来源的阴阳性信息能对提升英德的翻译提供帮助。同时,层级混淆神经机器翻译模型实验相对融合单来源阴阳性信息实验的结果更佳,说明层级混淆方法能有效综合多来源的阴阳性信息,提升英德机器翻译实验的效果。