最近几年,神经网络机器翻译的研究十分火热,经过几年的发展,其性能就大大超过统计机器翻译,在通用领域特别是某些特定领域,神经网络机器翻译已有许多应用场景。基于翻译记忆的神经网络机器翻译研究也取得了一定的成果,且还有不少提升空间,因此,研究如何结合神经网络机器翻译和翻译记忆,使我们的机器翻译吸收翻译记忆的优势,这对于提升机器翻译的翻译质量,具有重要的理论意义。借助于翻译记忆,这对提高机器翻译的线上服务能力,从而推动机器翻译在各特定领域的应用,具有重要的应用价值。本文首先介绍神经网络机器翻译和翻译记忆的特征,探讨融合二者的重要性。经过分析前人的融合方法之后,我们提出了两种融合方法和一种融合模型。我们的研究工作是以神经网络机器翻译为基础,除了在基于翻译片段的融合方法上进行了探索,我们还提出了一种新的融合翻译记忆到神经网络机器翻译的模型,以及一种新的训练方式来解决模型训练中的鲁棒性问题。论文的主要贡献如下:1.提出了一种位置敏感的翻译记忆融合方法。该方法完善了以翻译片段为单位的融合方法。已有的以翻译片段为单位的融合方法,只捕获了翻译记忆中局部的上下文信息。当测试句子与其翻译记忆非常相似时,已有的融合方法也不能生成高质量的翻译结果;特别地,即使测试句子的参考译文包含在翻译记忆中,这些方法也不能得到完美的翻译质量。为此,本文提出了一种位置敏感的翻译记忆融合方法。该方法从翻译记忆中捕获了更多上下文信息,同时保持以翻译片段为单位的融合方法的高效性。我们在基于Transformer的神经网络机器翻译系统上对我们提出的方法进行验证。在7个翻译任务上的实验表明,该方法在翻译质量（BLEU）上优于同类基线系统,同时该方法的运行速度保持高效性。2.提出了一种基于双链图的翻译记忆融合方法。以翻译片段为单位的融合方法有两个关键问题,一是哪个单词应该在解码阶段被奖励输出,二是应该给这个匹配的单词多少的奖励值。因此我们提出了一种新颖有效的包含单词链和位置链的双链图结构,来利用翻译记忆中知识,用以在翻译记忆中捕获更多的上下文信息,同时实现更高的解码效率。我们将该方法应用于Transformer来证明它的有效性,且该方法优于基线系统。3.提出了一种新的基于翻译记忆的神经网络机器翻译模型,该模型在翻译准确性和效率上都显著优于已有实用模型。在实际机器翻译应用中,对模型响应速度要求较高,而目前已有的基于翻译记忆的神经网络机器翻译系统,有的训练和解码时间比较长,有的过程特别复杂,这些都阻碍着将翻译记忆应用到实际线上系统中;又由于神经网络具备超强的拟合能力,为了让模型自动地学习翻译记忆中的信息,因此我们从模型融合角度出发,设计了一种轻量级的将翻译记忆融合到神经网络机器翻译中的模型,并探索了三种由粗到细的编码翻译记忆句子的方法,在针对翻译记忆融合任务的特定数据集上（提高4.7个BLEU值）和机器翻译公开数据集上证明了该模型的有效性和高效性。4.在上述基于翻译记忆的神经网络机器翻译模型中,指出了在模型训练时的鲁棒性问题,并提供了一种新的训练方式来解决该问题。我们在训练好的模型中发现鲁棒性问题,即模型面对翻译记忆相似度较低时,翻译效果出现了严重下降。产生这种现象的原因是:在模型训练时出现了过拟合。针对这种现象,受到数据增强和多任务学习的启发,我们提出了一种新的训练方式。