近年来,随着使用场景的不断增多及支撑技术的不断进步,智能对话系统的研究也愈发增多,许多科研机构及企业组织都尝试构建对话系统以解决实际存在的问题,在这之中,闲聊式对话系统因其广泛的使用场景受人瞩目。闲聊式对话系统致力于在非限定领域与人类进行自然流畅的对话交谈。本文着重于研究闲聊式对话系统,并通过对话形式风格的迁移与对话文本风格的迁移两种形式提升对话模型的多样性,提升模型生成质量。首先,在对话生成任务中,针对生成模型往往出现通用回复的问题,本文提出了检索结果融合机制的对话生成模型,该模型首先利用检索模型获取候选问答对,并利用带有融合机制的长短期神经网络结构融合检索结果,该结构可以将检索结果放入生成模型的每一步中,提升模型的利用能力。实验结果表明,在中英文多数据集中,该方法较基线模型有大幅效果提升,可以较好的提升生成结果的多样性和准确性。其次,在对话形式风格迁移任务中,针对现有对话模型多数仅能通过文本且主要为陈述性文本作为回复的问题,本文提出了基于提问时机判定的对话生成模型及基于表情包的对话生成模型。前者通过利用多轮对话数据集的天然标签构建判别器以训练模型,寻找合适的提问时机从而选择合适的时机提出问题;后者利用情感作为纽带以利用表情包中的多模态信息,通过不同的预训练模型分别获取输入语句及表情包的文本编码信息及情感编码信息,并引入对比学习的方法训练模型以解决表情包数据量大且分布分散的问题,通过如上方法将表情包作为对话模型的回复形式。实验结果表明,第一个模型可以有效的帮助多轮对话进行并大幅提升对话的轮数;第二个模型可以较好的进行表情包的选取及推荐,可以较好的完成表情包回复任务。最后,在对话文本风格迁移任务中,针对现有对话生成模型无法迁移成任意特定风格文本的问题,本文提出了基于文本风格迁移的对话生成模型。模型采用二阶段生成方法,首先利用基于检索结果融合机制的对话生成模型序生成初始回复语句,之后通过风格迁移模型生成特定风格的最终回复语句。为解决对话生成任务中,初始回复并无特定风格的问题,本文引入强化学习方法并采用循环编码的方法进行模型训练。实验结果表明,本文提出的方法较基线模型可大幅提升风格转移强度并较好的保留原始文本信息。