随着近几年来自然语言处理技术的迅猛发展,人工智能已经渗透到我们生活的方方面面,各种各样的人工智能产品出现在市场上,人们也逐渐对计算机寄予了越来越高的期望,希望计算机能够帮助人们完成更多更复杂的工作。得益于深度学习和大数据的发展,一些任务导向的对话语音助手也渐渐在人们的日常生活中出现。这些对话语音助手,不仅可以陪用户闲聊,还可以智能化地解决人们很多日常需求,比如听音乐、打电话、订车票等。其背后的主要技术便是对话语言理解。目前,国内外的研究者在中文和英文的对话语言理解任务上已经做了很多贡献,但在跨语言领域却鲜有研究,这使得一些小语种国家的人民为了使用语音助手不得不说英文或者中文,从而造成很大的不便。为了解决这个问题,本课题致力于研究适用于多个小语种的跨语言场景下的对话语言理解任务,以填补目前该领域研究的空缺。首先,本文构建了两套跨语言对话语言理解任务上的数据集,用于模型的训练和验证,并针对对话语言理解任务设计了流水线和端到端模型上的相关实验。其次,本文针对跨语言场景设计了英文上的零样本迁移学习算法,并通过一系列实验证明了该算法的优越性。最后,本文以语言和任务为目标,为任务型对话领域内的跨语言模型设计了一套预训练方法,并通过一系列实验证明了该预训练方法的有效性。通过结合本文设计的预训练方法和零样本迁移学习算法,能够使得跨语言对话语言理解模型整体性能得到大幅提升。