人机对话是数代计算机与人工智能领域研究者和从业者为之努力和奋斗的方向,对话系统通常分为闲聊型对话系统、常见问题解答型对话系统和任务型对话系统,本文主要围绕任务型对话系统展开工作。任务型对话系统在实现方式上有端到端和管道式两种,管道式的对话系统通常由对话状态追踪模块、策略学习模块和回复生成模块组成。目前任务型对话系统在与用户进行多轮交互时,往往会存在意图和槽位识别困难、无法准确向用户传达信息的情况,同时因为任务型对话系统的数据获取成本较高,因此如何使对话系统在缺少数据甚至无数据的新领域中仍然能够拥有一定的效果,是近年来的研究热点。本文基于对话任务的结构描述信息展开研究,通过基于注意力机制的模型和运行时计算任务结构与对话内容的信息交互的方式,可以使模型在数据不足甚至没有数据的情况下,仍然可以利用任务的机构信息识别用户的意图和抽取槽位值。同时本文提出的ADDST模型可以在多轮对话的情况下更好地解决意图识别和槽位填充的问题,尤其在分类类型槽位填充中,不仅提升了模型效果,还降低了计算量。本文还提出了实现对话系统中策略学习模块和回复生成模块的方法,这些模块采用的模型均在无样本训练的新领域中有着不错的效果。使用本文提出的对话状态追踪模块、策略学习模块和回复生成模块的实现方法,可以以管道式的结构完成对话系统搭建并与用户流畅地进行多轮对话。最后,本文设计了一套在车舱场景下的任务型对话系统,该系统由部署在车舱的对话系统终端和部署在云端的对话系统服务端组成,两个系统协同运作,完成整个对话系统的功能。其中,部署在云端的对话系统服务端由基于注意力机制的多轮对话系统的研究成果实现。在经过系统的设计、开发和测试后,证明了本文的研究成果在多轮对话系统中应用的可行性。