神经机器翻译目前在多种翻译任务中取得了突破性的成果。然而神经机器翻译对百万级的高质量平行语料的要求,使得它的推广性大打折扣,此外,当前的神经机器翻译仅仅依赖深度神经网络对语句内在的句法结构进行学习,损害了翻译的准确性。本文针对神经机器翻译的推广性和准确性这两个问题,提出了融合句法知识的无监督神经机器翻译,其中句法知识的融合意在提高准确性,无监督学习意在提升推广性。本文的基准模型,即无监督神经机器翻译模型,将神经机器翻译推向零资源这个极端,在语料处理、词向量生成、模型训练的过程中至始至终不需要任意一条平行语料,没有任何双语监督信号。模型以通过无监督学习映射而成的双语词向量为基础,以多次迭代的方法进行自学习。每次迭代,进行去噪和回译两步训练步骤:去噪步骤以加入了噪音的语句为输入并训练模型重构出没有噪音的原始语句,回译步骤用上一次迭代的模型实时翻译输入语句得到伪平行语料来训练模型。本文的改进模型,即融合了句法知识的无监督神经机器翻译模型,先对语料进行句法分析,用包含句法标注的语料进行词向量的生成和映射,并且将句法分析得到的短语结构树以线性序列的形式直接显式地整合到模型中。根据模型的输入是否是包含句法知识的线性短语结构树序列,可以分为树到树模型和串到树模型两种。这两种改进模型在训练时同样使用无监督的方式,不断进行去噪和回译两个步骤的迭代。本文对三种模型——基准模型、树到树模型和串到树模型一一进行了代码实现,并采用WMT14的英语和法语单语数据集对英法和法英两个方向的翻译任务进行了实验。本文以BLEU值作为衡量标准,定量评估了三种模型在句法信息占比和词向量映射方法亦不相同情况下的翻译结果。同时,本文在实验过程中还探究了句法信息占比对词向量质量、词向量映射质量的影响,以及词向量映射方法对映射质量的影响。本文通过实验证明了不论是英译法还是法译英,显式融入句法知识对无监督神经机器翻译的准确率有一定提高,其中串到树模型将英译法翻译任务的BLEU值从基准模型的9.82提高到了12.79,树到树模型将法译英翻译任务的BLEU值从基准模型的10.29提高到了10.94。