基于神经网络实现的机器翻译模型已逐渐成为机器翻译的常用方法。但自然语言的复杂性和神经网络随机性导致了未登录词和翻译不可控等问题,同时现有的基于注意力机制的神经机器翻译模型一般通过序列化的编码解码实现翻译过程,忽略了语言的依存关系和层次特征。针对现有问题,本文在端到端的神经网络翻译模型中引入预处理语言数据所得到的词语类别和依存关系等信息作为先验知识,对经典的神经网络机器翻译模型进行改进。(1)利用命名实体识别摘取出语句中需要固定翻译的实体词汇,采用标签替换的方式弥补神经网络随机性的弱点,通过改进的注意力机制和多任务学习等方法提升词对齐效果;(2)利用依存句法分析获得语句中词语的依赖关系树,按照不同的模型结构转化为依存关系矩阵或词块切分权重序列等形式,结合多头自注意力机制和门控等思想,在编码和解码阶段为神经网络翻译模型提供句法信息,强化神经网络提取隐藏特征的能力。本文设计并执行了多组实验,在词法改进上统计了命名实体词的召回率和整体翻译评价指标的性能变化,在句法改进上统计了翻译性能的变化。通过对比实验发现大部分改进方案在命名实体的召回率和翻译评价指标等方面得到了明显的提升,在词法和句法实验上BLEU指标相对各自的baseline最高分别提升了2.32和1.86个点,两种优化方案结合后也得到了综合的最佳优化效果。证明了词法和句法信息的引入对基本模型整体上起到了积极效果。