对话模型是自然语言处理中的重要一部分,在近些年受到众多研究者的关注。现如今的对话模型主要分为基于检索的方式和基于生成的方式。尽管近些年取得了显著的成就,对话模型仍然面临着得到的回应语义不贴切、语法不顺畅等问题。因此,针对这些问题本文做了深入研究,主要研究工作如下:(1)本文对语句匹配和对话检索的相关技术进行研究,针对以往文本匹配算法的不足,提出一种基于孪生网络的多粒度匹配模型(Multi-Granularity Matching model based on Siamese Network,MGMSN),该方法同时考虑了输入语句间的深度语义匹配和浅层语义匹配以全面挖掘语句间的相似信息。此外,考虑到语句中的未登录词问题,本文在深度语义匹配中同时考虑了词粒度和字粒度这两个层次的文本特征,在缓解未登录词问题的同时进一步学习语义信息。最后,本文在中文数据集LCQMC中进行了对比实验,实验结果证实了该方法的有效性和泛化能力,并且消融实验也表明了模型各部分所起到的重要作用。(2)针对检索模型无法回答语料库未出现问题的困境,本文提出了一种基于孪生网络的多粒度复合对话模型(Multi-Granularity Composite Conversation model based on Siamese Network,MGCCSN)。MGCCSN模型的目的在于将检索模型与生成模型相结合以弥补检索模型的缺点。首先通过多回应生成模块的计算,得到若干生成候选回应。在候选回应排序模块中,生成候选回应与检索候选回应进一步通过预筛选和决策选出对于输入问题最合适的回答。通过自动评估与人工评估,本文提出的复合算法所给出的回应在贴切性和多样性上有所提升,帮助问题的解决和话题的延续。