近两年,随着新冠肺炎防疫逐渐常态化、医疗资源短缺与地区不平衡现象愈发突出,线上问诊研究逐渐成为热点。医院内医患问诊对话文本蕴含大量诊断指导信息,如何挖掘问诊对话数据中的逻辑,并以此实现对话自动诊断是一个具有科学研究价值和实际应用场景的研究方向。当前对话策略研究将患者的症状、检查信息标准化,和疾病信息共同构成医生的动作集合,将整个对话过程建模为序列决策过程,使用强化学习来模拟医生诊断过程。这种建模方式下需要同时学习症状问询策略和疾病判别策略,难以设计合适的奖励,导致现有方法症状询问不充分;另外现有模型仅使用布尔表示作为输入,没有充分利用到症状文本信息。为此,本文分别研究了基于实时诊断指导和基于表示增强的两阶段自动诊断对话策略,并设计实验进行了验证。针对症状询问不充分的问题,本文探索了基于实时诊断指导的两阶段对话策略。通过把动作空间拆分为症状空间和疾病空间,从而将对话过程划分为症状问询部分和疾病判别部分的管道结构,其中症状问询部分建模为序列决策问题,使用基于价值函数的无模型强化学习进行学习,疾病判别部分建模为分类问题,使用梯度提升决策树进行学习。模型同时使用实时诊断信息对症状询问模型进行指导,利用问询到的症状关于目标疾病的预测概率提升值来对强化学习奖励函数进行约束。在数据集上的实验结果显示,基于实时诊断指导的两阶段对话策略相比于基准线方法有一定性能提升,在症状召回率指标上平均提升了15.0%,在疾病准确率指标上平均提升了1.7%。考虑到现有方法存在模型表示层没有充分提取文本信息,表征能力不足的问题,本文提出了一种基于表示增强的对话策略,从模型结构和辅助任务两方面对模型表示能力进行提升。提出了面向集合文本的表示模型对症状集合进行表示,并使用二次预训练-微调策略,在模型结构方面增强模型表征能力;同时新增了实时诊断辅助任务,与症状预测主任务一同构成多任务学习范式,利用在辅助任务上学习得到的文本表示对主任务文本表示进行增强。实验结果显示,该对话策略在症状召回率指标上有13.8%的提升,在疾病准确率指标上有3.0%的提升,达到了目前已知最好效果。