医疗卫生是人们持续关注的话题,我们希望遇到健康问题能够得到及时反馈。因此应用对话系统到医疗领域体现出价值,将医疗对话系统作为媒介,可提供用户医疗知识的问询。对话系统从系统结构上大概可以由几部分组成:对话理解、对话管理与对话生成。其中对话生成模块是较为重要的一个部分,因为生成的对话直接反映了对话系统的优劣,同时,在医疗对话生成中,将复杂的医疗知识转换为流畅自然的对话是一项非常大的挑战。当前对话生成主要由深度学习的语言模型来实现,假如想要改变生成句子的主题、情感以及携带的关键信息,需要考虑受控的对话生成方法。在对话生成过程中的控制方法可划分为两类,一类是条件对话生成,它在语言模型的输入阶段增加额外条件;另一类是约束对话生成,将原输出进行调整实现对结果的控制。本文旨在探究医疗对话生成这一背景下,实现受控文本生成的方法,将医疗知识融合进生成的对话当中,全文所做工作如下:（1）对受控文本生成技术作全面探究,即包括条件文本生成与约束文本生成两类。因为受控文本生成方法众多且杂,过去很少有人对其进行划分与归类,本文对两类受控文本生成方法做梳理,为后面应用受控文本生成方法到医疗对话生成上面做铺垫。（2）在条件文本生成方法上,提出CONV-PE模型应用于开放型对话模型,该模型携带医疗实体作为受控对话生成的知识信息。模型分为两个模块:对话理解与对话生成,在对话生成阶段,主要利用Prompt策略,添加医疗实体来改变模型输入的条件,以此提供给语言模型上下文信息。经过实验验证,对比基线模型在各项指标上平均提高10.8%。（3）在条件文本生成方法上,提出CONVE-SF模型实现槽值填充的任务型对话模型来生成医疗对话,模型分为三个部分:对话理解、对话管理与对话生成,在对话生成阶段构造Dialogue Act适用的Prompt模式进行生成。通过实验验证,该模型对比基线模型在对话生成各项指标上平均提高6.4%。（4）在约束的文本生成方法上,提出辅助训练,将上述两个模型的生成模型替换为约束对话生成以对比两类控制类型的性能。辅助训练为添加可训练的辅助模型用于编码约束信息,将其输出与模型原输出进行相加,以此改变原概率分布,实现约束的受控生成,分别在上述两个模型的生成阶段进行应用。经过对比,采用约束文本的生成方法在BLEU上略低于条件文本生成,但ROUGE指标上高于条件文本生成。