机器翻译领域最困难的任务之一就是对给定的翻译系统或者翻译算法进行评价，我们称其为机器翻译评测。 事实上，在科学研究和工业界的任何一个领域，如果提出一个新的算法并声称其具有良好的性能，都需要使用某种通用的、被广泛承认的评价标准为这个算法 “打分” 。这个分数不仅要体现出该算法是好的，而且要求能够体现出与其他算法相比，该算法能够好到什么程度。与其他的评测任务面对的对象不同，机器翻译所处理的对象―语言―本身存在某种程度的歧义，无法像数学公式或者物理模型那样简单客观地描述出来，这使得为机器翻译结果进行客观的打分变得非常困难。

BLEU（Bilingual Evaluation Understudy）基于n-gram的精度度量。一种基于 n-gram 的评估指标，用来衡量机器翻译结果与参考译文之间的相似度。BLEU 分数越高，表示机器翻译结果越好。在最初的机器翻译上需要考虑准确率（不能将一些重要词汇预测错误，例如将狗翻译成人，如unigram）和流畅性（是不是正常的句子，体现在高阶的gram）。

ROUGE（Recall-Oriented Understudy for Gisting Evaluation）与BLEU的计算方式类似，都是基于n-gram，只是ROUGE只考虑了召回率Recall。通常用于自动文摘和机器翻译的评估，可以更好地反映机器翻译结果的完整性和准确性。

METEOR（Metric for Evaluation of Translation with Explicit ORdering）一种基于 n-gram 的评估指标，与 BLEU 类似，但是 METEOR 在计算翻译结果与参考译文之间的相似度时，还考虑了单词重叠和词形变化等问题，因此相对于 BLEU 更加准确。主要是考虑到有些翻译可能正确的，只是没有对上译文的情况，考虑了同义词和词性，用wordnet扩充了同义词集。在评价流畅性方面，使用了chunk的概念，将位于生成的句子中相邻位置，且在参考句子中也位于相邻位置的词称为一个块，这样n-gram越长，组成的块的数量越少，惩罚项越小。

CIDEr （Consensus-based Image Description Evaluation）一种基于文本相似度的评估指标，通常用于图像描述的评估。CIDEr 考虑了多个参考译文之间的差异，可以更好地反映机器翻译结果与多个参考译文之间的相似度。首先将 n-grams 在参考译文中出现的频率编码进来，通过TF-IDF 计算每个 n-gram 的权重，将句子用 n-gram 表示成向量的形式，然后计算参考译文和候选译文之间的 TF-IDF 向量余弦距离，以此度量二者的相似性。

TER（Translation Edit Rate）：一种编辑距离算法，用来衡量机器翻译结果与参考译文之间的编辑距离。TER 分数越低，表示机器翻译结果越好。与 BLEU 不同，TER 考虑了翻译中的错译和漏译等问题。

NIST（National Institute of Standards and Technology）：一种基于 n-gram 的评估指标，类似于 BLEU，但是 NIST 使用了加权平均的方式，可以更好地反映长句子的翻译质量。

GLEU（Google-BLEU）：一种基于 unigram 的评估指标，通常用于机器翻译和语音识别的评估。GLEU 考虑了机器翻译结果与参考译文之间的词汇重叠和顺序等因素，可以更好地反映机器翻译结果的流畅度和自然度。

需要注意的是，机器翻译评测的方法和指标都是相对的，不同的应用场景和语言对评测方法和指标的要求也不同。因此，在进行机器翻译评测时，应该根据具体需求选择合适的方法和指标。

在实际应用中，选择合适的评估指标需要考虑以下几个方面：

需要注意的是，不同的评估指标都有其优缺点和适用范围，选择评估指标时需要综合考虑各种因素，并根据具体需求进行调整。此外，在评估机器翻译性能时，单一指标并不能完全反映机器翻译的质量，应该结合多种评估指标进行综合评估。