本研究探讨了机器翻译中指代翻译的挑战，特别是不同语言间的指代用法差异。提出了一种新的提及注意力模块，结合源语言特征和目标语言上下文，显著提升了翻译效果。实验结果表明，该方法在WMT17英德翻译任务中优于基线模型，验证了其有效性。

本研究提出了一种语音表示净化与监督增强框架（SRPSE），有效消除音色和节奏等无关因素对语音转文本翻译的负面影响，显著提升翻译效果，尤其在无文本转录条件下表现优异。

本研究提出了一种小型连接模块（Q-Former），有效对齐预训练的自动语音识别（ASR）和机器翻译（MT）模型，显著提升翻译效果，具备良好的可扩展性和实用性。

本研究提出IntGrad MT方法，旨在提升低资源语言对的翻译效果。通过逐步增加难度的少样本例子链和句子插值技术，该方法显著提高了多种语言的大语言模型性能，特别是在印地语、斯瓦希里语、孟加拉语和马拉地语方面表现突出。

本文研究了多编码器方法在文档级神经机器翻译中的应用，强调了上下文编码器的作用和噪声训练的重要性。实验结果显示，噪声生成和dropout方法显著提升了小数据集的翻译效果。此外，文档级回译在缺乏双文本的情况下也表现出积极作用，提出的基于上下文的翻译方法在多个语言对上取得了优异的成绩。

本文提出了一种新型多模态机器翻译框架，利用视觉上下文和对象掩模技术提升翻译效果。研究表明，该模型在多个数据集上优于现有方法，强调视觉信息在翻译中的重要性，并探讨多语言共享语义空间的构建。

本文研究了机器翻译中适配器的组成方法，提出了新的组合方式以解决缺失语言问题，实现跨语言转移，提高翻译效果。