发展历程：
1. 直译式翻译系统(direct translation MT systems)
通过快速的分析和双语词典，将原文译出。
2. 规则式翻译系统(rule-based MT systems)
先分析原文内容，产生原文的句法结构，再转换成译文的句法结构，最后再生成译文。
3. 中介语式翻译系统(inter-lingual MT systems)
先生成一种中介的表达方式，而非特定语言的结构；再由中介的表达式，转换成译文。
4. 知识库式翻译系统(knowledge-based MT systems)
翻译经常需要除了词汇之外的各种知识，使用知识获取工具(knowledge acquisition)，以充实知识库的内容。
5. 统计式翻译系统(Statistics-based MT systems )
1994年，IBM公司A．Berger等用统计方法和各种不同的对齐技术，给出了统计式机器翻译系统Candide。
统计机器翻译基本思想是通过对大量的平行语料进行统计分析，构建统计翻译模型，进而使用此模型进行翻译。
目前，基于统计法机器翻译系统有Google翻译、Bing翻译和百度翻译等。
统计机器翻译的首要任务是为语言的产生构造某种合理的统计模型，并在此统计模型基础上，定义要估计的模型参数，并设计参数估计算法。
早期的基于词的统计机器翻译采用的是噪声信道模型，采用最大似然准则进行无监督训练，而近年来常用的基于短语的统计机器翻译则采用区分性训练方法，一般来说需要参考语料进行有监督训练。
6. 范例式翻译系统(example-based MT systems )
将过去的翻译结果，当成范例，产生一个范例库。
7. 翻译记忆(translation memory, TM )
基本原理：用户利用已有的原文和译文，建立起一个或多个翻译记忆库，在翻译过程中，系统将自动搜索翻译记忆库中相同或相似的翻译资源（如句子、段落等），给出参考译文，使用户避免重复劳动，只专注于新内容的翻译。翻译记忆库同时在后台不断学习和自动储存新的译文，变得越来越聪明。
德国塔多思（TRADOS）公司的翻译记忆软件基于UNICODE（统一字符编码），支持55种语言，覆盖了几乎所有语言版本的 Windows95／98／NT 。
混合式翻译系统(Statistics-based MT systems )同时采用多种策略，以达成翻译的目标。
8. 神经机器翻译
神经机器翻译是模拟人脑的翻译过程，目前已经远远超过统计机器翻译，成为机器翻译的主流技术。
长短期记忆神经网络（LSTM）是一种对序列数据建模的神经网络，适合处理和预测序列数据。而且，LSTM使用“累加”的形式计算状态，这种累加形式导致导数也是累加形式，避免了梯度消失，因此在神经机器翻译中得到了广泛应用。
目前，神经机器翻译领域主要研究如何提升训练效率、编解码能力以及双语对照的大规模数据集。
网络上很多神经机器翻译的开源实现，如Groundhog (https://github.com/lisa-groundhog/GroundHog）。
欢迎大家加我微信交流讨论（请备注csdn上添加）
