随着信息时代的快速发展,人机对话交互可以使人类更方便、更快捷的获取信息。对话状态追踪是人机对话系统中的重要组成部分,是产生对话策略的基础。随着对话的进程,对话状态更新的准确度能够直接影响对话系统的性能。因此,对话状态追踪任务的研究具有更重要的意义。传统的对话状态追踪任务是依据上游的自然语言理解模块的结果进行,由于误差的累积,会导致结果的下降。因此,近年来,对话状态追踪任务的研究都是基于自然语言理解与对话状态追踪的联合建模,但目前同样存在一些问题。本文针对其中的两个问题,对话信息的上下文建模中多粒度的特征提取以及针对稀有槽值对组成的对话状态的准确识别,开展一系列的研究,具体的工作内容如下。其一,针对对话历史信息上下文建模的语义特征提取比较单一,本文在记忆网络的基础上,结合自注意力机制,考虑多粒度特征融合进行语义建模,同时在输入端加入结构化的语义信息,利用多维度的语义特征加强模型的学习。其二,针对对话语料中稀有槽值对的捕捉,本文在模型的输入端加入槽值对特征的学习,并加入打分模块对于待评估的槽值对进行置信度的打分。模型中加入槽值对的特征学习以及二分类的判别方式能够有效缓解稀有槽值对的识别问题。其三,结合前两个部分,针对对话状态追踪任务下本文提出的两个问题,设计两个模型 MBSAP(Mem_BiLstm_Self_Attention_Parallel)模型以及 MBSAS(Mem_BiLstm_Self_Attention_Serial)模型。在 WOZ数据集下实验结果为85.7%和84.5%,均超过对比模型,表明本文设计的对话状态追踪任务模型的有效性。最后,基于本文设计的对话状态追踪模型,实现面向餐厅查询任务下的对话状态追踪展示平台。