随着深度学习技术的迅速发展,深度学习技术与自然语言处理技术结合的场景也越来越多,其中对话系统成为当前的研究热点。对话系统广泛应用于问答、客服、智能设备等领域,它带来了新的交互方式,降低了企业提供服务的成本。相较于检索式对话,生成式对话跨领域能力和泛化能力强,更适合于开放域场景,因此本文主要聚焦于开放域的生成式对话任务。目前常用Seq2Seq模型构建对话系统,但是这样的模型存在学习不到长期依赖,安全回复重复率高,从而导致生成响应多样性低的问题。因此目前亟需提升生成响应的多样性。本文针对这个问题,主要工作如下:本文提出了基于分离Context机制与CVAE的Transformer对话模型用来提高对话系统生成响应的多样性。首先针对现有的模型无法显式的处理上下文话语和源语句之间的差异,本文提出的模型通过分离上下文机制,充分挖掘了上下文语句和源语句对于生成响应的不同影响程度。其次,模型使用CVAE结构引入隐变量,通过隐变量获得潜在语义分布的特点。针对现有基于RNN或LSTM的CVAE结构不能捕捉更长依赖的缺点,本文的模型使用Transformer融合CVAE结构的方式引入隐变量,不但可以捕捉到长期依赖的能力,还可以通过隐变量获得更加丰富的潜在语义分布,进而提高对话模型生成响应的多样性。最终在多轮对话的数据集上和现有模型的对比实验结果表明,本文提出的改进机制和改进模型可以有效地提升对话系统生成响应的多样性。