双语平行资源由于其对统计机器翻译和跨语言检索等应用来说具有极其重要的意义,所以获取双语平行资源的方法也成为了自然语言处理领域的热点和难点,特别对于信息不发达的小语种国家,双语平行语料的提取更是重中之重。近年来,随着中国在东南亚地区对外开放的发展,中国和柬埔寨两国在政治、经济以及文化方面的交流日益增多,而两国间的语言障碍却成为中柬合作发展的重要阻力。在此情况下,柬-汉语言的信息化和智能化处理也显得越发重要。据统计,目前柬埔寨语的使用者超过1400万,然而中柬信息化语言处理的相关研究却还处于刚起步的状态。同时柬埔寨的网络起步较慢,当前网络上现存的中柬双语网站极其缺乏,所以希望通过双语网络资源来获取双语平行语料具有较大困难;而人工获取一定规模的双语平行语料则需要大量的语言专家的长时间参与,导致了平行语料获取的成本过高;还有目前存在的一部分中柬平行语料又存在领域单一,种类较少和时效性较差等问题,这样也会给下面的自然语言处理工作带来困难。在此基础上,如果能找到一种能够从规模较大且范围较广的的可比语料中抽取平行语料的方法,用于平行语料等重要翻译知识的抽取工作,并且没有规模、时效性等方面的不足,这将会给自然语言处理工作带来巨大的激励作用。针对上述问题,在现有研究的工作被我们充分探讨和分析的基础上,本文对如何从可比语料中抽取平行资源进行研究。整篇论文的主要内容如下:(1)基于短语的双语LDA主题模型构建通过构建双语主题模型,获取双语可比语料文档对的主题分布。基于短语的双语LDA主题模型不但能够继承传统LDA主题模型的特点,把一篇高维度的文档,通过主题模型的训练,将词项空间的文档转换到主题空间,由于主题的个数K远小于词项个数,所以能对文档进行有效降维,大大简化了文章主题预测的复杂度;而且还修改传统的LDA主题模型的词袋模型,融入短语(N-gram)的概念,能够在主题预测过程中考虑文章的上下文,并且还将传统LDA扩展到了跨语言领域,与传统方法比较,基于短语的双语LDA模型在主题预测方面拥有更好的效果。(2)基于Dirichlet过程的可比语料平行片段抽取基于狄利克雷过程的方法能够将可比语料中杂乱的双语文档,进一步提取精炼成我们可以直接利用的双语平行片段对。为了克服双语平行语料稀缺的问题,本文提出了一个基于Dirichlet过程的从可比语料中抽取平行片段的方法,该方法不依赖于词典和双语平行语料,可以通过非参数贝叶斯模型,直接从双语可比语料集中抽样双语平行片段,且获得较好效果。通过对比实验可知,基于Dirichlet过程的双语可比语料平行片段抽取方法能获得较高质量的平行片段对,且由于模型特点,不用提供任何平行数据,所以更加适用于双语资源稀缺的语种。