近年来，机器翻译技术快速发展，译文质量不断提升。其中，基于神经网络的机器翻译技术表现出色，已成为机器翻译领域的主流方法。神经网络作为一种“黑盒”技术，包含亿级的参数量和复杂的网络结构，因此具有极强的学习能力，可以通过自动探测关联特征做出最终的决策。然而，这些特征表示分布在高维连续空间中，对人来说难以理解，研发者也难以探究模型结果的生成过程，且该过程易受到各种不确定性因素的影响。这种不确定性体现在：数据分布和模型参数的波动造成模型结果不可预测，给模型的稳定性带来威胁，导致使用者无法判断何时可以信任模型结果。因此，研究神经机器翻译模型中各个模块的运作机理，定位不确定性的来源，分析不确定性的影响，以减少不确定性带来的干扰具有十分重要的研究意义和应用价值。本文围绕数据收集、跨语言知识建模和译文概率预测这三个神经机器翻译的关键阶段，研究数据不确定性、注意力机制不确定性及预测不确定性，利用可解释性技术分析不确定性对模型结果的影响，通过不确定性的降低提高翻译质量，并对模型可能出现的错误进行预判。