近年来,随着深度学习被广泛地应用于计算机视觉、神经机器翻译和推荐系统等领域,并取得了不错的效果,对话系统领域也开始尝试应用深度学习技术以提高对话系统的质量。相对于传统方法,深度学习可以以最少的人工投入通过对大量数据的学习得到更多的语义特征和对话生成规律。同时,互联网的飞速发展与普及,所积累的海量交互数据为科研人员亦提供了丰富的研究素材。目前的对话系统从对话的生成方式一般可分为两类:检索式对话方法和生成式对话方法。在实际系统的应用层面,两种方法可以有机结合达到相辅相成的效果。因此,本文对这两种方法分别做了深入研究。在检索式对话方法中,一种传统的做法是对所有候选集合建立离线索引。当系统收到输入的信息时,通过匹配算法初步召回一批候选回复。根据需求对候选回复进一步地筛选,最终返回符合需求的结果。本文通过将多分类模型的训练思想应用于语句相似度任务,以循环神经网络(RNN)结构提取文本特征并结合大间隔Softmax应用在模型中,通过多分类模型的训练得到文本的编码模型以进行语句相似度计算。通过与TF-IDF相似度计算方法、基于词向量的语句相似度计算方法以及基于深度学习的语句相似度计算方法进行比较,证明了该方法相较于现有的方法具有更好的效果以及稳定性,为检索式对话生成提供了更多的相似度计算方法选择。在生成式对话方法中,现有的生成模型除去生成安全回复的问题外,生成的语句很大概率在流畅性上会有不足。例如两个动词连在一起、缺少结构助词或者结构助词位置不当导致的不通顺的问题。为了解决这个问题,本文提出两种解决方法。一是借助词性标注和句法分析等技术,基于SequenceToSequence模型,通过词性转移矩阵的方法对训练过程进行改进,以改善模型的生成语句结构不通顺问题。二是得到了生成模型之后,使用BeamSearch方法生成N个不同的回复。利用词性标注和句法结构分析技术,通过计算结构混乱度对回复进行重排序,返回经过重排序后的结果以提高对话生成效果。