文本正则化是语音合成（TTS）前端分析任务中不可或缺的步骤，而语义歧义性是文本正则化任务面临的主要问题，比如数字、日期、时间等非标准词的语义歧义性。针对该问题，提出一种基于编辑约束的端到端文本正则化方法，并且在充分考虑越南语的语言特点后，设计专门用于越南语的标注方法，以提高模型对上下文语义信息的建模能力。此外，针对神经网络模型容易产生不可恢复性错误的问题，提出一种编辑对齐算法以有效约束非标准词文本的范围，减小解码端的搜索空间，从而避免模型自身局限性所导致的非正则化文本预测错误。选取FastCorrect模型作为基准模型，将各类优化方法应用到基准模型中得到新模型。实验结果表明，所提模型在越南语不同优化方式的对比实验中的精准率相比使用无标注数据的基准模型提高了23.71个百分点，在同类中文实验中的精准率提高了26.24个百分点。可见，所提方法不仅在越南语上表现出色，而且在中文开源数据上也取得了显著的效果，验证了该方法在越南语之外的适用性。而且，与六类基线模型相比，使用所提方法的模型取得了最高的97.14%的精准率，在F1值上超过加权有限状态转换器（WFST）的两阶段方法2.29个百分点，证明了所提方法在文本正则化任务上的优越性。

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。

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。

针对神经机器翻译中资源稀缺的问题，提出了一种基于双向依存自注意力机制（Bi-Dependency）的依存句法知识融合方法。首先，利用外部解析器对源句子解析得到依存解析数据；然后，将依存解析数据转化为父词位置向量和子词权重矩阵；最后，将依存知识融合到Transformer编码器的多头注意力机制上。利用Bi-Dependency，翻译模型可以同时对父词到子词、子词到父词两个方向的依存信息进行关注。双向翻译的实验结果表明，与Transformer模型相比，在富资源情况下，所提方法在汉-泰翻译上的BLEU值分别提升了1.07和0.86，在汉-英翻译上的BLEU值分别提升了0.79和0.68；在低资源情况下，所提方法在汉-泰翻译上的BLEU值分别提升了0.51和1.06，在汉-英翻译上的BLEU值分别提升了1.04和0.40。可见Bi-Dependency为模型提供了更丰富的依存信息，能够有效提升翻译性能。

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。