随着机器翻译的发展和当今社会对跨语言间交流的需求日益增长,机器翻译的应用面越来越广。机器翻译质量评估是在不依赖标准参考答案的情况下,根据源文和机器翻译译文对译文的质量进行评价的方法。利用基于神经网络的语言模型自动提取源文与翻译特征的“特征提取器-质量评估器”模型是目前的主流。这种模型使用强大的机器翻译模型来获取语言特征,但是同时也像普通的机器翻译模型一样不关注篇章级的机器翻译评估中的上下文。因此本文从语言学理论中寻求句间信息引入和局部流畅度评价的方法,引入计算语言学理论语篇向心理论概念中的优选中心,来捕捉句子间的篇章信息改进质量评估模型,并构造了汉英篇章级机器翻译质量评估数据集来补足篇章级质量评估数据集不足的问题。第一部分工作是对优选中心的提取,优选中心一般使用根据语言学句法规则的提取方式,但是这种方式对于一些模糊定义的非通常句法成分难以实现自动提取。本文使用基于预训练词表示模型的序列标注模型来获取优选中心,并通过半监督的伪标签学习方法和少量人工标注来解决优选中心标注数据集不足的问题。第二部分工作是引入句子间篇章关系信息的机器翻译质量评估模型的构建和篇章质量数据集的构造。改进的模型基于特征提取器-质量评估器模型架构,增加了句间特征提取器获得句子间关系特征加入质量评估器作为评价依据。句子间关系特征包括待评估句上文的优选中心词表示和由相似性计算得出的待评估句与上文的连贯性和对源文连贯性的实现程度。然后,本文根据质量评估数据集的构造方法和人工标注的标准流程构造了篇章级汉英质量评估数据集。我们在改进模型和优选中心提取模型上进行了实验,改进模型与上下文无关的质量评估模型相比,在篇章级质量评估测试集上有了明显提升。优选中心提取模型与相比基于规则的提取方式在优选中心的提取准确率和召回率上也有着较大提升。