在汉越低资源翻译任务中，句子中的实体词准确翻译是一大难点。针对实体词在训练语料中出现的频率较低，模型无法构建双语实体词之间的映射关系等问题，构建一种融入实体翻译的汉越神经机器翻译模型。首先，通过汉越实体双语词典预先获取源句中实体词的翻译结果；其次，将结果拼接在源句末端作为模型的输入，同时在编码端引入“约束提示信息”增强表征；最后，在解码端融入指针网络机制，以确保模型能复制输出源端句的词汇。实验结果表明，该模型相较于跨语言模型XLM-R （Cross-lingual Language Model-RoBERTa）的双语评估替补（BLEU）值在汉越方向提升了1.37，越汉方向提升了0.21，时间性能上相较于Transformer该模型在汉越方向和越汉方向分别缩短3.19%和3.50%，可有效地提升句子中实体词翻译的综合性能。

文本情感转换是在保留内容的基础上更改文本的情感属性。由于缺乏平行语料，现有无监督文本情感转换的方法主要通过文本重建和分类损失来构建情感和内容的潜在表征，实现情感转换。然而，这种弱监督信号训练策略在提示学习范式下的模型性能退化严重。针对以上问题，提出一种基于生成提示的无监督文本情感转换方法。首先，通过提示生成器生成文本内容提示；其次，融合目标情感提示作为最终提示；最后，构建两阶段的训练策略，为模型训练提供平滑的训练梯度以解决模型性能退化的问题。在情感转换的公共数据集Yelp上的实验结果表明，所提方法的文本保留度、情感转换分数和BLEU（BiLingual Evaluation Understudy）显著优于基于生成的方法UnpairedRL，分别提高了39.1%、62.3%和14.5%。

为了改善基于卷积编解码架构的单通道语音增强网络对语音声学特征提取不充分、解码特征丢失严重的问题，提出一种基于多路信息聚合协同解码的单通道语音增强网络MIACD，通过双路编码器充分提取融入了语音自监督学习（SSL）表征的幅度谱和复数谱特征，由4层Conformer分别从时间和频率维度对提取特征建模，采用残差连接将双路编码器提取的语音幅度、复数特征引入三路信息聚合解码器，并利用所提通道-时频注意力（CTF-Attention）机制根据语音能量分布情况调节解码器中聚合信息，有效缓解解码时可用声学信息缺失严重的问题。在公开数据集Voice Bank DEMAND上的实验结果表明，与用于单通道语音增强的协作学习框架（GaGNet）相比，MIACD在客观评价指标宽带感知评估语音质量（WB-PESQ）上提升了5.1%，短时客观可懂度（STOI）达到96.7%，验证所提方法可充分利用语音信息重构信号，有效抑制噪声并提升语音可理解性。

越南语语音识别系统输出的文本序列缺少标点符号，恢复识别文本标点有助于消除歧义，更易于阅读和理解。越南语语音识别文本中常出现破坏语义的错误音节，基于文本模态的标点恢复模型在识别带噪文本时存在标点预测不准确的问题。利用越南语语音中的语气停顿及声调变化指导模型对带噪文本作出正确的标点预测，提出多模态特征的越南语语音识别文本标点恢复方法，利用梅尔倒谱系数（MFCC）提取语音特征，利用预训练语言模型提取文本上下文特征，基于标签注意力机制实现语音与文本多模态特征融合，增强模型对越南语带噪文本上下文信息的学习能力。实验结果表明，相较于基于Transformer和BERT提取文本单一模态特征的标点恢复模型，所提方法在越南语数据集上精确率、召回率和F1值均至少提高10个百分点，验证了融合语音与文本特征对提升越南语语音识别带噪文本标点预测精确率的有效性。

当前性能最优的机器翻译模型之一Transformer基于标准的端到端结构，仅依赖于平行句对，默认模型能够自动学习语料中的知识；但这种建模方式缺乏显式的引导，不能有效挖掘深层语言知识，特别是在语料规模和质量受限的低资源环境下，句子解码缺乏先验约束，从而造成译文质量下降。为了缓解上述问题，提出了基于源语言句法增强解码的神经机器翻译（SSED）方法，显式地引入源语句句法信息指导解码。所提方法首先利用源语句句法信息构造句法感知的遮挡机制，引导编码自注意力生成一个额外的句法相关表征；然后将句法相关表征作为原句表征的补充，通过注意力机制融入解码，共同指导目标语言的生成，实现对模型的先验句法增强。在多个IWSLT及WMT标准机器翻译评测任务测试集上的实验结果显示，与Transformer基线模型相比，所提方法的BLEU值提高了0.84~3.41，达到了句法相关研究的最先进水平。句法信息与自注意力机制融合是有效的，利用源语言句法可指导神经机器翻译系统的解码过程，显著提高译文质量。

事件检测（ED）是信息抽取领域中最重要的任务之一，旨在识别文本中特定事件类型的实例。现有的ED方法通常采用邻接矩阵来表示句法依存关系，然而邻接矩阵往往需要借助图卷积网络（GCN）进行编码来获取句法信息，由此增加了模型的复杂度。为此，提出了融合句法信息的无触发词事件检测方法。通过将依赖父词及其上下文转换为位置标记向量，并在模型源端以无参数的方式融入依赖子词的单词嵌入来加强上下文的语义表征，而不需要经过GCN进行编码；此外，针对触发词的标注费时费力的问题，设计了基于多头注意力机制的类型感知器，以对句子中潜在的触发词进行建模，实现无触发词的事件检测。为了验证所提方法的性能，在ACE2005数据集以及低资源越南语数据集上进行了实验。其中，在ACE2005数据集上与图变换网络事件检测（GTN-ED）方法相比，所提方法的F1值提升了3.7%；在越南语数据集上，与二分类的方法类型感知偏差注意机制神经网络（TBNNAM）相比，所提方法的F1值提升了9%。结果表明，通过在Transformer中融入句法信息能有效地连接句子中分散的事件信息来提高事件检测的准确性。