神经机器翻译（Neural Machine Translation, NMT）中的大多数序列到序列（Sequence-to-Sequence, Seq2Seq）模型采用循环神经网络（Recurrent Neural Network, RNN）按顺序逐词生成翻译。然而，语言学研究已证明，语言并非简单的线性词序列，而是具有复杂结构的序列，因此每一步的翻译都应基于整个目标端上下文进行条件化。为了解决这一问题，我们提出了一种新的NMT模型，该模型在解码过程中通过预测目标序列的结构来指导序列生成。我们的模型根据目标端上下文的结构预测生成翻译，从而摆脱了顺序生成的限制。实验结果表明，与现有最先进方法相比，我们的模型更具竞争力；分析还显示，我们的模型在翻译不同长度的句子时表现出较强的鲁棒性，并且通过目标端上下文指导解码减少了重复现象。