近年来,随着人工智能技术大幅度的发展,人工智能技术已经被应用到了各个领域,其中就包括任务型对话系统。任务型对话系统为人们的日常生活带来了便利,如现在很多电商平台都使用智能客服帮助用户解决各种问题。但随着任务场景覆盖面越来越广,任务型对话系统也面临着越来越多的挑战。对话语言理解模块是任务型对话系统中最为重要的组成部分,因此对于对话语言理解任务的研究是提升任务型对话系统效果的关键。目前的对话语言理解任务中主要存在如下挑战:1)在新领域、新需求出现的初期,标注数据非常匮乏,且不同领域下的意图种类及数量不同,训练好的模型不能有效地迁移到不同意图种类及数量的领域中。如何通过少量样本使得对话语言理解模块快速识别新领域下的意图成为现在任务型对话系统的一个挑战。2)意图识别和槽位提取为对话语言理解的两个子任务。对于对话语言理解任务,不仅要尽可能的提升两个子任务的效果,更重要的是提升对话语言理解任务的整体效果,即保证意图识别和槽位提取两个任务的结果同时正确。两个子任务之间存在着一定的联系,而如何通过构建子任务之间更有效的显式关系来提升模型的整体效果,成为现在对话语言理解任务的一个挑战。为了解决上述的问题,展开如下研究:1)基于小样本学习的意图识别模型的设计与构建。小样本学习最早应用于图像识别,并在图像识别领域中取得一定的成功,因此要解决标注数据匮乏等问题,可以借助小样本学习。基于已有的研究,构建了基于改进原型网络的小样本意图识别模型（Improved Prototypical Networks Model for Few-shot Intent Detection,IPNM-FID）来解决跨领域对话语句的小样本意图识别任务。该模型以原型网络作为模型基础,首先使用基于变换器的双向编码器表示技术（Bidirectional Encoder Representations from Transformers,BERT）加上双向门控循环单元（Bi-directional Gate Recurrent Unit,Bi-GRU）作为文本编码层。然后使用卷积神经网络（Convolutional Neural Network,CNN）对通过支持集构建的原型进行修正。再与查询样本进行文本相似度计算,最终输出查询样本的类别。之后通过两个实验验证了IPNM-FID模型的效果。在对比实验中,实验结果表明IPNM-FID模型同时在准确度和1分数上均优于其他模型。消融实验则展示了Bi-GRU及CNN的有效性。2)基于小样本学习的对话语言理解联合模型的设计与构建。为了建立小样本意图识别任务和小样本槽位提取任务之间的显式关系,从而提升对话语言理解任务的整体效果,构建了基于信息增强的小样本对话语言理解联合模型（Information Augmentation Model for Few-shot Spoken Language Understanding,IAM-FSLU）。它使用基于BERT的文本编码层作为小样本意图识别模型和小样本槽位提取模型的共同输入。然后将槽位提取模型的结果作为信息增强因子加入到意图识别模型的输入中,从而建立两个任务间的显式关系。最后将两个任务的损失相加共同训练进行联合建模。之后,通过在不同的小样本设置的对比实验下验证IAM-FSLU模型的效果,在实验中,结果表明IAM-FSLU模型在模型整体效果上均优于其它主流模型。我们所提出的IPNM-FID模型和IAM-FSLU模型,很好地解决了在新领域中数据匮乏,和跨领域下的意图种类及数量不同时,模型适用性差的问题;同时构建了一种更有效的小样本意图识别和小样本槽位提取两个任务间的显式关系,提升了对话语言理解模型的整体效果。