深度学习技术的发展和广泛应用,极大地推动了自然语言处理领域的发展。人机对话系统作为自然语言处理领域的一大应用,是当今学术界和工业界研究的热点,随着智能语音助手、导航机器人等应用的发展,人机对话也将成为下一代人机交互的主要方式。本论文以生成式对话模型为研究对象,对多轮对话系统中的关键技术进行研究与应用。近年来的研究发现,多轮对话系统缺乏对历史上下文中的语义信息的掌控,导致通用回复、质量较差等问题。本论文通过引入自注意力机制和外部知识,有效筛选了历史上下文的信息,提高了模型回复的生成质量。本文具体研究内容如下:（1）提出了基于上下文信息筛选的生成式对话模型。针对常见模型对历史上下文信息不加使用或者不加区分的问题,通过引入自注意力机制的上下文信息筛选器,对历史会话进行词级、句子级信息筛选,分别分配不同的权重,从两个粒度把握历史上下文中的有益信息,增强有益信息对模型生成过程的影响,从而达到改善模型生成质量的目的。最后通过对比实验证实模型生成的回复与历史会话相关度更高,改善了回复生成质量。（2）提出了融入外部知识的两步解码生成式对话模型,在基于上下文信息筛选的生成式对话模型基础上,为了进一步改善回复生成的质量,对模型进行了改进。主要分为两个方面:第一是通过历史上下文的注意力表示对知识库进行相应知识选取,得到与历史会话相关的知识信息;第二是通过两步解码器将选取的知识融入回复生成中。最后通过对比实验证实模型有效地融入了知识信息,且两步解码的融合效果好于事先融合信息的一次解码过程,从而进一步提高了质量。（3）基于上述工作提出的生成式对话模型,设计实现了面向用户日常聊天的智能对话系统。并且通过测试表明,模型在生成回复的准确性、丰富性上均有一定的实际效果,为下一步研究奠定了基础。