随着全球化的不断深入,国家与国家之间、民族与民族之间的交流日渐频繁,但各国家、民族之间由于语言差异而形成沟通障碍,机器翻译的出现打破了这种沟通障碍,并逐步成为不同国家与民族之间的沟通桥梁。蒙古语,一种少数民族语言,在世界范围内使用人数甚少,现阶段主要为内蒙古地区的蒙古族人民以及蒙古国人民使用。随着蒙汉民族之间的交流日渐增多,汉蒙机器翻译逐步发展起来,然而由于其推广较晚,并且有限的语料资源成为其发展的阻碍,进而造成现有的汉蒙机器翻译成果较少,现阶段仍处于不断探索的阶段,需要进一步研究和学习。在机器翻译中语义表示的作用显而易见,主要是因为它可以帮助执行意义保存和处理数据稀疏,语义表示在统计机器翻译中已取得了长足的进步,但利用语义表示进行神经机器翻译受到的关注却很少。AMR（Abstract Meaning Representation,抽象语义表示）,是一种新型的句子的语义表示方法,采用单根有向无环图结构,将句子中的实词表示为图的节点,实词之间的关系表示为边。它可以基本完整而又准确地表示一个句子的语义关系,自提出以来,备受关注。近年来,随着AMR语义分析系统的不断强大,它可以助力于更多自然语言处理任务,如情感分析、关系提取、文本摘要等,但是将AMR用于机器翻译的研究却很少,一些AMR的相关研究证明,AMR的确可以帮助提高机器翻译质量,所以本文研究使用AMR语义知识辅助汉蒙神经机器翻译。在语料的构建工作中,首先将现有的蒙汉对齐语料中的汉语部分采用结巴分词工具进行分词,然后将分词后的语料采用美国南加州大学的AMR编辑器生成AMR语义图。由于蒙古语属于低资源语言,汉蒙平行语料资源有限,因此在机器翻译中常常出现未登录词现象而导致翻译效果差的问题,为缓解这一问题,本文对蒙汉双语采用BPE技术进行子词切分操作。在模型构建工作中,由于AMR语义和源语言句子之间没有一一对应的关系,因此本文采用双编码器-解码器架构搭建汉蒙机器翻译模型,采用双向LSTM编码源语言句子,为了适应AMR图结构特性,采用图循环神经网络编码由源语言句子生成的AMR语义图,而解码器端则采用循环神经网络并分别对两个编码器建立注意力模型。同时为了与该模型进行对比,还增加了一个双编码器-解码器模型,在新的模型中,编码源语言句子和解码器模型不变,不同的是在编码器端采用另一个双向LSTM对线性化后的AMR图进行编码,最终实验结果证明,加入AMR语义知识确实有助于提高汉蒙机器翻译的质量。而AMR语义图采用图循环神经网络对其进行编码的效果更佳。同时,在编码器-解码器模型训练之前,分别采用Word2vec和Glo Ve模型生成蒙汉词向量,并进行效果对比。为了进一步探究AMR语义在执行语义保存和处理数据稀疏方面有相对的优势,本文将依存句法树引入,让其辅助汉蒙神经机器翻译,同样地,采用双编码器-解码器模型,不同的是采用图卷积神经网络编码依存句法树,实验结果证明加入依存句法树同样有助于提高汉蒙神经机器翻译质量,但在数据量相同的情况下,加入AMR语义表示比加入依存句法树的汉蒙机器翻译效果更好,更进一步说明AMR对于执行语义保存和处理数据稀疏的能力更强。