随着现代计算机计算能力的大幅上升与互联网的普及带来的数据量巨幅增长,以深度学习为代表的新一代人工智能技术方兴未艾,其中自然语言处理技术也得到了飞速的发展。人机对话系统作为自然语言处理最受人期待的应用之一,也成为了研究的重点。人机对话系统是能够使用自然语言与人进行交谈的计算机程序,可以分为任务导向型与非任务导向型对话系统,任务导向型对话系统向用户提供点餐、定闹钟等软件系统的功能,非任务导向型对话系统则主要为用户提供闲聊等服务。本文主要研究基于知识的非任务型生成式对话系统,其在端到端生成式对话系统中引入了知识,以解决对话系统互动能力弱的问题。本文主要从以下两个方面对现有知识驱动的对话模型进行了改进:（1）提出了两步指代重写数据预处理模型。为了解决由于对话系统语义理解能力弱导致的对话准确性较差等问题,本文研究了语言中的指代不明问题,并提出了两步指代重写模型。模型将指代消除分为基于自注意力机制的指代识别步骤与基于自注意力机制的语句重写步骤,分别将模型中被省略的指代词找出于、将找出的省略词与问题语句合成重写。本文通过实验验证了两步指代重写模型的先进性。（2）提出了基于注意力机制的知识融入方法。为了解决对话回复信息多样性的问题,本文探讨了知识融入对话相关研究,并设计了基于注意力机制的知识融入模块。模块从知识选择器中获取相关知识,并使用上下文相关向量对知识进行注意力计算,使其筛选与上下文相关的知识,增进对话系统的知识融入能力。本文通过实验验证了基于注意力机制的知识融入方法的先进性。基于以上两点改进,本文提出了基于背景知识的生成式对话模型。模型使用了上下文编码器与知识编码器分别对对话上下文与其相关知识进行编码,并使用自注意力解码器进行解码。基于背景知识的生成式对话模型对对话系统在语义理解能力与互动性等多个方面均有实际提升效果,在后续的机器评测与人工评测实验中进行了证明。同时基于以上的工作,论文设计并实现了基于背景知识的聊天机器人平台,能够与用户进行有效的聊天交互。