近几年,人工智能技术飞速发展,各种对话系统得到了广泛的研究和应用,特别是在特定领域内的对话系统,比如在航空出行领域,可以应用于机票预定和航班的查询等服务中,减轻企业的负担,降低运营成本,具有极其重要的研究和应用价值。自然语言理解是对话系统的核心模块,其目的是提取出句子中的用户意图和与意图相关的重要语义信息,并将其表示成计算机能够理解的结构化形式。在特定领域类,自然语言理解可以拆分成两个子任务,即意图识别和语义槽填充。本文的主要研究内容如下:第一,本文提出了一种基于attention机制的双解码器模型来联合识别自然语言理解两个子任务。意图识别和语义槽填充两个子任务分别对应一个解码器,在训练时两个解码器的损失值会被同时传播到编码器中,通过不断的迭代训练最终使两个任务达到最优,并且加入注意力机制,进一步提高了模型的效果。实验结果表明:本文提出的联合模型效果远远好于单独建模,并且与之前的几个联合模型对比,在意图识别和语义槽填充两个任务上效果都更好。第二,本文提出一种基于词细粒度的文本增广方法。采用一定的机制来随机剔除句子中含有信息量较少的单词,之后以一定的概率使用语义相近的单词来替换句子中的单词。通过该增广方法,不仅增加了数据量,而且增加了句子的多样性,有效的缓解了因为样本稀少导致的过拟合问题,提高了模型的抗干扰能力。实验表明,通过该文本增广方法,可以使意图识别和语义槽填充两个任务的效果都有所提高。第三,本文将BERT预训练模型应用于航空出行领域的自然语言理解任务中,实验表明BERT预训练模型能够在航空出行领域的自然语言理解任务中提高模型的效果。最后,将本文研究方法应用于航空出行领域自然语言理解系统中。