Tato bakalářská práce porovnává dvě generace strojového překladu - statistický a neurální - a hodnotí rozdíly ve způsobu, jakým převádějí informační strukturu věty. Strojový překlad je nástroj překladatele, a kvalita jeho výstupu (textu určeného k post-editaci) přímo ovlivňuje jeho účinnost. Je proto žádoucí hodnotit kvalitu strojově přeloženého textu. Tato hodnocení se často zaměřují na konkrétní aspekty na určité úrovni jazyka. Předmětem tohoto výzkumu je rozložení slov a významových jednotek na úrovni věty, kde chyba převodu může způsobit nežádoucí posun významu. Práce se zaměřuje na specifické větné struktury, které slouží k vytčení konkrétního elementu věty. Metody hodnocení pak vychází z teorie Funkční větné perspektivy, kterou zpracovali Vilém Mathesius a Jan Firbas. Výsledkem výzkumu je vzájemné porovnání obou překladových enginů se zaměřením na jednotlivé typy vytýkacích konstrukcí. Z úspěšnosti převodu funkční větné perspektivy a přijatelnosti překladu z hlediska informační struktury pak vyplývá, které typy konstrukcí jsou nejvíce problematické. Těmto konstrukcím by měl post-editující překladatel věnovat zvýšenou pozornost.The thesis compares two generations of machine translation - statistical and neural - and evaluates the differences in the way they render sentence information structure. Machine translation serves as a tool of the translator, and the quality of the output (the pre-translated text) determines efficiency of such tools. Therefore, it is useful to evaluate the quality of machine translation. Such evaluations usually focus on a specific aspect on a certain level of text. The subject of this research is the order of words and ideas within a sentence, as their improper rendering causes undesirable changes of meaning. This thesis focuses on specific sentence structures, which serve for highlighting a specific element of a sentence. The methods of evaluation are based on the theory of Functional Sentence Perspective elaborated by Vilém Mathesius and Jan Firbas. The results provide a side-by-side comparison of both machine translation engines, focusing on individual types of highlighting constructions. The rates of their correct rendering and overall acceptability indicate which structures prove to be the most problematic, meaning that the post-editing translator should pay special attention to them.