随着互联网的飞速发展和全球经济一体化进程的快速推进,各行各业的从业人员都面临着与国外公司的沟通交流问题。如何与非母语国家的客户进行有效沟通,避免歧义,更好的达成合作,成为当今全球化背景下的企业更好更快发展所必需的面临的问题。此外,互联网时代的到来也为我们每一个普通人带来了宝贵的机遇,大量的优质信息资源充斥在我们身边,然而大部分资料都是以外文所呈现的,这就使我们获取信息有了很高的门槛。为了应对全球化带来的挑战,迫切需要一些自动化的手段帮助人们解决现实生活中的一些实际问题。如何通过计算机手段,将实际生活中人们的需求转换为计算机可解决的问题,成为我们需要越发关注的问题。进入人工智能时代,深度学习模型逐渐在自然语言处理,图像识别等领域崭露头角,相较于传统统计学习方法,取得了跨越式的进步。伴随着序列到序列模型的提出,机器翻译领域也迎来了长足的进展。但是现有的机器翻译框架只能考虑到原文和历史翻译的单词,忽略了目标端左侧的单词,这就导致现有的机器翻译框架在翻译每一个词的时候忽略了潜在的未来信息。为了缓解该问题,本课题提出一种未来信息融合机器翻译模型（简称:FuNMT）。FuNMT采用联合学习框架,在训练过程同时训练未来信息融合模块和机器翻译模块。训练未来信息融合模块时,我们使用反向的解码器的输出作为未来信息融合模块的目标,同时将含有未来信息的隐状态和历史预测词结合,共同送入解码器模块。从而使得在机器翻译解码步骤使用了未来信息进行当前词的预测。在多个数据集的测试中,实验表明我们的方法取得了显著的提升。同时为了进一步提高我们模型的效果,我们提出将数据增强技术和正则化技术有机结合起来。在利用数据增强产生低质的伪平行语料对的同时,使用正则化技术使得模型更加充满鲁邦性。实验结果证明我们的策略相对于单独使用起到了互相增益的效果,从而大幅提高了模型的表现。最后为了使研究成果产生现实意义,本文依托微信小程序平台构建在线机器翻译模型,使得翻译变得触手可得。