随着新时代信息技术的日趋成熟,人们通过计算机与网络实现新型文本翻译。与传统人工翻译相比,该种方式除了减少人力资源消耗,同时大大缩短时间的占用比重,除此之外也提高了翻译的准确率,真正做到解放无用人力消耗。但基于网络的翻译方式仅对时间序列语句进行翻译,忽略整体性以至于无法对多义词和段落进行准确翻译。因此,如何利用新模型进行机器翻译优化是当前的重点,也是难点。在外文翻译上,长短句占文章的主要篇幅,而这些句式除了具有多种语义信息和繁杂逻辑构造之外,还与上下文有紧密的联系——换言之在中英文互译中,仅对单语句进行翻译不仅仅丢失语义信息,还破坏繁杂的逻辑构造,即出现数据稀疏、漏译、可解释性与语篇翻译问题,并不符合当代机器翻译需求,这也使机器翻译具有整体关联性成为了一个较有挑战且相对独立的项目。现如今,神经网络在机器翻译模型中已占据主流地位,但机器翻译发展历程与所面临的挑战使模型需要进一步优化。鉴于此,提出一种新型基于注意力引导图卷积网络的机器翻译优化模型,可通过多头注意力机制和图卷积神经网络结构的结合保留词元素特征及段落层次结构信息。该模型多个相同的块组成,而每个块都包含三种类型的层:注意引导层、密集连接层和线性组合层。通过三个不同层改善基于神经网络的翻译所遇到的漏译、可解释性与语篇翻译问题。为进一步优化机器翻译领域中数据稀疏问题,本文利用一种新的基于回译和多元噪声混合的数据增广方法。该方法结合回译与基于噪声的数据增广特点,并以具体实验所选定的WMT21数据集,选择出最适合的多元噪声混合与优化模型融合。最终将该模型在数据集上进行大量实验,利用BLEU指标检验是否优于其他传统算法,通过对比实验、可解释性实验、消融实验等多项结果分析,并利用实例分析直观表明出该优化模型达到理想效果。