机器翻译是通过计算机利用自动化的方法实现不同语种之间的互译过程。目前维汉机器翻译主流方法是基于统计的机器翻译。由于缺乏口语领域的维汉双语语料，以及口语文本中存在很多书写不规范的单词（非正规词），口语领域的统计机器翻译效果因为这些非正规词而不太理想。针对维文非正规词归一化的方法近年研究甚少，已有方法大多是基于规则或者规则与统计相结合的方法。无监督归一化在英语等其他语种中正逐渐成为研究热点。本文对已有无监督归一化方法进行改进，提出了适合维语的无监督词汇归一化的方法，用于改善维汉口语机器翻译的性能。将口语文本中的非正规维吾尔语词项归一化到正规文本中意思相近的正规词，即能在保留文本意思的前提下，将文本变得更加规整且适合已有的机器翻译系统进行处理。首先通过神经网络对词进行向量化，通过向量空间获取非正规词的候选正规词列表，最后利用解码搜索算法完成归一化。本文的研究主要集中在两个方面。第一，如何为一个非正规词获取语义相近的正规词候选列表；第二，如何对口语文本中句子的非正规词归一化到其候选列表中最相近的正规词。对于第一个研究点，进行了维语文本上的词向量对比实验，最后采用fasttext进行维语单词的向量化，因为fasttext能表达出词的n-gram信息，这也符合维语单词由词干和词缀组成的特性。对于第二个研究点，本文提出了一个贪心解码搜索算法，通过语言模型也综合考虑到非正规词在当前句子的上下文信息。此外，我们提出使用重采样方法，在完成归一化后，重采样迭代，利用已经成功归一化的非正规词调整向量空间进而归一化之前未能归一化的非正规词。最后，实验结果表明，本文提出的词汇归一化方法效果优于已有的方法，将本方法作为维汉机器翻译的前处理过程，系统的性能得到了提升。