近些年来,机器翻译技术在自然语言处理领域里取得了巨大的成功和进步。在使用深度学习技术以后,在一些语言上的性能已经接近人类水平,但是却过分依赖大量的平行语料库。采用无监督方法的神经机器翻译技术,仅仅使用单语语料库进行训练,解决了传统神经机器翻译过分依赖平行语料库的问题。无监督神经机器翻译结合了去噪自动编码器和反向翻译实现了机器翻译任务。虽然现阶段无监督神经机器翻译已经取得了良好的成绩,但是通过对具体模型结构及原理的分析,发现目前效果最好的无监督神经机器翻译模型仍存在一些需要解决的问题,本文将这些问题总结为以下两个方面。第一,反向翻译是在无监督神经机器翻译中广泛使用的一种方法,能够将常规的无监督学习任务转化为监督学习任务。但是在反向翻译过程中无法控制训练数据的质量。针对该问题本文提出了一种利用质量估计的方法,通过使用质量估计对反向翻译过程中生成的伪平行数据进行筛选后再训练,有效的提升了无监督神经机器翻译的效果。第二,随着Transformer模型在神经机器翻译中的广泛应用,神经机器翻译的性能得到了显著的提升,虽然Transformer可以从句子中学习到潜在的句法知识,但是却远远不足。因此,针对该问题本文在无监督神经机器翻译的基础上融入句法知识,通过将句法分析的结果线性化得到句法标签显性的将句法知识融入到无监督神经机器翻译中,经过实验验证了该方法的有效性。最后,结合本文提出的两种方法。设计并实现了无监督神经机器翻译系统,本系统使用了无监督的方法完成了机器翻译的任务,并且与基线方法相比,更进一步的提升了无监督神经机器翻译的质量。