随着人工智能的发展,人机对话系统不断地深入人们的生活。在人机对话系统的管道方法中,槽填充任务起着至关重要的作用,它直接决定机器是否能准确理解用户意图。而在槽填充任务中,有两个具有挑战性的问题,一是自动语音识别错误造成的错误传播问题,二是领域数据量少且标注困难造成的模型迁移困难问题。这两个问题都将直接影响槽填充任务的精度,进而影响人机对话系统的效果,因此本文主要针对上述两个问题展开研究。本文的研究内容包括如何改进槽填充任务的模型结构、如何在不改变语音识别系统的前提下改善由语音识别错误造成的错误传播问题以及如何利用大数据集领域的信息提升小数据集领域在槽填充任务中的效果。首先,本文提出了在槽填充任务的层次解码模型中同时融入字信息和词信息的字词混合编码模型,并在模型中使用了预训练的词向量。在本文使用的CATSLU数据集上,各个领域在验证集上的F值和联合准确率均获得提升,F值平均提升了7.34%,联合准确率平均提升了8.75%。其次,本文在基于字词混合编码的层次解码模型的基础上构建了使用迁移学习方法进行语音识别错误自适应的网络结构。通过概率分布适配和特征增强法,将人工转录文本中的信息融入了模型中,减小了机器自动识别的数据和人工转录数据的特征分布之间的最大均值差异,降低了由语音识别错误造成的槽错误率,提升了槽填充任务的鲁棒性。在CATSLU数据集的map领域和music领域中,F值最高可分别提升1.67%和2.05%,联合准确率最高可分别提升1.74%和4.72%。最后,本文在基于字词混合编码的层次解码模型中,通过多领域共享模型和参数、特征增强以及用目标领域数据微调模型中部分参数的方法进行了领域适应,在模型中成功融入了大数据集领域的有效信息,提升了小数据集领域在槽填充任务中的效果。在CATSLU数据集的video领域中,F值提升了1.98%,联合准确率提升了2.56%。