任务型对话系统旨在通过人机交流方式收集用户需求信息,为用户提供信息服务或完成用户指定的任务,而系统是否准确理解用户需求,自然语言理解模块至关重要。本文首先对单轮对话的自然语言理解任务展开研究,自然语言理解中最关键的两个子任务分别是意图检测和槽位填充,两者之间存在紧密的联系。近年来大多数研究都会构建意图检测和槽位填充的联合模型,并在模型内部建立意图与槽位之间的联系,比如显式构建意图到槽位的单向信息关联,或者以迭代的形式轮流实现意图到槽位或槽位到意图的单向信息传递。但这些研究没有考虑在模型迭代时同时建立意图和槽位的双向关联,两个子任务信息交互的效率较低,从而限制了自然语言理解的性能,为此本文提出了基于意图-槽位双向信息关联的单轮对话自然语言理解模型。而对于多轮对话场景中的自然语言理解,引入历史轮次信息和外部知识可以很好地提升任务性能。历史轮次的对话信息能够为当前轮次对话提供语境上的支持,同时外部知识库能够为模型补充常识和知识概念,提升模型的推理能力。传统的做法是通过注意力机制获取与当前对话整个句子相关的历史信息和外部知识,本文则将注意力机制模型的查询对象精确到每个词,获取当前词的历史信息表示和当前词的外部知识表示,词级别的注意力机制更加细化、准确和丰富,对意图检测任务和槽位填充都有着较大的提升。为此本文提出了一种基于词注意力筛选历史信息和外部知识的多轮对话自然语言理解模型。具体工作如下:（1）提出了基于意图-槽位双向信息关联的的单轮对话自然语言理解模型,针对当前模型中建立意图到槽位单向关联或模型迭代时无法同时建立双向关联的不足。不仅建模意图和槽位自身信息在文本对话中的上下文依赖关系,还可以在模型迭代时同时建立意图和槽位之间的双向信息交互,互相提升各自任务的性能。模型首先利用ALBERT和BiLSTM模型对用户对话进行编码,使用ALBERT语言模型代替BERT来训练词向量,保证了词向量表征能力同时还降低了模型的参数量。然后对自注意力机制进行改进,搭建了基于自注意力的意图-槽位双向关联模块,既实现了意图检测和槽位填充各自独立的上下文信息传递,又将两个任务的上下文信息互相融合,深度挖掘两个任务之间的语义联系,从而提升自然语言理解任务的整体性能。为了验证基于意图-槽位双向信息关联的的单轮对话自然语言理解模型的性能,在公开的ATIS数据集上进行实验,选取近年来在单轮对话任务中取得了良好效果且具有代表性的模型作为对照组,结果显示本文提出的模型意图检测的准确率达到了 97.65%,槽位填充的F1值达到了 98.87%,整体准确率达到88.82%,对比其他模型性能得到了显著提升,验证了该模型在单轮对话自然语言理解任务上的有效性。（2）提出了一种基于词注意力筛选历史信息和外部知识的多轮对话自然语言理解模型,通过在（1）提出的模型基础上引入历史信息和外部知识,提升多轮对话自然语言理解任务的准确率。同时,针对如何筛选出对当前轮次对话的语义理解有帮助的历史信息和外部知识,本文提出了基于词注意力机制筛选方法。最后,为了验证基于词注意力筛选历史信息和外部知识的多轮对话自然语言理解模型的性能,在公开的KVRET数据集上进行实验,选取近年来在多轮对话任务中取得了良好效果且具有代表性的模型作为对照组,结果显示本文提出的模型在意图检测的准确率达到了94.10%、槽位填充的F1值达到了 76.53%以及整体准确率达到了 71.87%,对比其他模型性能得到了显著提升,验证了该模型在多轮对话自然语言理解任务上的有效性。