Tanto el modelo de traducción automática estadística (SMT) como el modelo de traducción automática neuronal (NMT) son los modelos representativos en las tareas de traducción automática de uyghur a chino, cada uno con sus propias ventajas. Por lo tanto, será una dirección prometedora combinar las ventajas de ambos para mejorar aún más el rendimiento de la traducción. En este artículo, presentamos un marco híbrido para desarrollar una combinación de sistemas para una tarea de traducción automática de uyghur a chino que opera en tres capas para lograr mejores resultados de traducción. En la primera capa, construimos varios sistemas de traducción automática, incluyendo SMT y NMT. En la segunda capa, las salidas de múltiples sistemas se combinan para aprovechar las ventajas de los modelos SMT y NMT utilizando un enfoque de combinación de sistemas basado en múltiples fuentes y enfoques de combinación de sistemas basados en votación. Además, en lugar de seleccionar las salidas combinadas de un sistema individual como los resultados finales, transmitimos las salidas de la primera y la segunda capa a la capa final para hacer una mejor predicción. Los resultados de los experimentos en la tarea de traducción uyghur-chino muestran que el marco propuesto puede superar significativamente a los sistemas base en términos de precisión y fluidez, logrando un mejor rendimiento de 1.75 puntos BLEU en comparación con el mejor sistema individual y de 0.66 puntos BLEU en comparación con los métodos convencionales de combinación de sistemas, respectivamente.