近年来,随着深度学习在自然语言处理领域的快速发展,对话系统作为自然语言处理领域的重要应用受到了学术界和工业界的广泛关注。长期以来,研究人员致力于构建能够与人自然对话的智能机器人,而如何赋予机器人表示和应用知识的能力是构建智能机器人的关键挑战之一。目前,基于知识的对话系统通常使用外部知识库、知识图谱或额外的文本信息作为对话系统的知识输入。然而,在实际的应用场景中,外部知识规模庞大、数据类型多样,如何统一有效表示知识以及基于上下文场景选取合适的知识应用到对话中是非常困难的。此外,基于知识的对话数据集规模往往相对较小,系统在训练阶段容易对训练数据中的信息过度拟合,导致模型在具有新知识场景下的泛化性较差。针对以上问题,本文进行了以下的研究工作:（1）基于知识增强框架的多子目标对话推荐系统:本文首先以真实场景下的基于知识的对话任务为例,研究如何在对话系统中有效融合知识。我们针对多子目标推荐对话任务,提出了知识增强的多子目标驱动的推荐对话系统（Knowledge-enhanced Multi-subgoal Driven Recommender System,KERS）。KERS从知识图谱中有效选取细粒度的知识并将其融合到对话系统中。该系统使用对话引导模块规划一系列的对话子目标,并为当前的子目标选取细粒度的知识。此外,我们提出了顺序注意力机制、噪声过滤器和知识增强模块在回复中融合输入的知识。Du Rec Dial数据集上的实验结果证明KERS比过去的模型能更有效地利用知识。（2）具有鲁棒性的知识型对话系统:为了进一步提升基于知识的对话系统的泛化能力,本文提出具有鲁棒性的知识型对话系统（Robust Knowledge Grounded Dialog System,Ro KGDS）。Ro KGDS使用桶编码器对结构化和非结构化的知识进行统一的高效编码,并使用混合注意力机制有效地应用预训练语言模型参数,提高模型鲁棒性。此外为了增强系统生成知识的能力,我们使用复制机制从输入知识中直接复制信息到回复。我们在DuConv、DuRec Dial和CPC数据集上进行了广泛的实验。实验结果表明Ro KGDS比其他基线模型具有更好的鲁棒性。（3）基于实体扰动的知识型对话系统:模型在具有新知识场景下泛化性较差的一个重要原因是系统生成了事实错误的回复,称为幻觉问题。本文可视化了具有幻觉问题的对话模型的内部注意力矩阵,分析并提出了学习幻觉（Learning Hallucination）问题。学习幻觉是模型在训练过程中学习了错误的知识映射,是导致幻觉的重要原因之一。本文提出了实体扰动（Entity Perturbation,En PT）方法调整输入的知识来减轻学习幻觉问题。在DuConv和DuRecdial上的实验结果证明了EnPT的有效性。