近年来,我国与马来西亚双边在经济、政治、文化等方面往来非常密切,两国语言的翻译需求日益变大。面向中马的人工翻译,成本较高,效率较为低下。在这一趋势下,机器翻译具有很大的研究意义与实用价值。当前,机器翻译模型性能优异程度取决于语料数据的数量与质量,而中马语料数据不足,使得中马机器翻译模型性能难以提升。本文提出基于迁移学习与基于GumbelTree-LSTM优化的中马机器翻译模型,缓解语料不足带来的性能欠佳问题,并进一步融合上述模型实现中马机器翻译原型系统。本文主要研究工作如下:（1）中马平行语料数据的收集与处理。以中马语料为对象,设计一种基于Python的网络爬虫算法,通过语料收集、关键字提取、数据预处理等步骤,设计并构建中马平行语料数据集。（2）通过枢轴语言的思想,提出了基于迁移学习的中马机器翻译模型方法。在训练语料更丰富的中英和英马NMT模型的基础上,通过迁移共享枢轴语言模型参数,对中马NMT模型参数进行初始化,学习高资源语言知识,提高低资源的中马机器翻译模型的翻译性能。将英语作为枢轴语言,减少模型参数迁移时语言不同导致的影响。实验结果表明,基于迁移学习的方法有助于提升模型翻译效果。（3）提出了基于Gumbel-Tree-LSTM模型优化的中马机器翻译模型。通过Gumbel-Tree-LSTM对Bi-LSTM模型进行优化,学习源句子的树形结构,使用树向量作为上下文信息,增强模型理解中长距离字词语义关系的能力。实验结果表明,本文基于Gumbel-Tree-LSTM模型优化方法有助于提升模型翻译效果。（4）基于上述研究,设计了融合迁移学习与Gumbel-Tree-LSTM的中马机器翻译原型系统。结合两者的优点,联合训练得到性能优秀的中马机器翻译原型系统。该系统可作为测试平台,进一步研究如何将更多技术通过中马神经机器翻译框架进行融合。