近年来,人工智能技术飞速发展。其中,人机会话系统是当前研究的热点。传统的会话生成技术主要以序列到序列框架为基础,该框架从海量数据集中学习会话上下文的语义信息并生成相关的回复,但基于该框架生成的回复有生成通用响应且包含较少信息等问题。这个问题在一定程度上影响了用户使用体验,降低了人机会话的持续性。利用外部知识可以加深语义理解,丰富响应表达,提供除会话上下文之外的语义信息,使得模型生成更具多样的回复。因此,针对上述问题本文展开如下研究:（1）本文对如何选择恰当外部知识以及将知识整合到响应生成中进行研究,提出一种基于孪生网络的知识驱动会话生成后验知识选择模型。本文设计了一种新的知识选择机制,以获取与会话语境高度相关的知识信息。使用后验知识分布作为软标签,使训练过程中的先验分布与后验分布保持一致。同时,为了缩小先验和后验分布之间的差距,提高知识选择的准确性,利用孪生网络,设计多粒度匹配模块进行知识选择。与之前的基于知识的对话生成模型相比,本文的方法可以选择更合适的知识,并利用所选择的知识生成与会话上下文更相关的响应回复。根据自动评估和人工评估的结果发现,本文提出的模型比以前的基线模型更有优势。（2）针对知识选择与响应生成被分成两个过程,导致知识在解码器中融合不足的问题,本文提出自适应知识选择交互会话生成模型。将知识选择的过程整合到解码器的响应生成过程中,提高知识选择与响应生成的结合程度,通过当前的解码状态动态更新知识选择,获取与当前解码状态更相关的知识信息。同时根据指针网络的思想设计双重拷贝复制机制,灵活的从输入上下文以及所选择的知识信息中拷贝实体词,在一定程度上缓和OOV（out-of-vocabulary）问题,让生成的响应回复包含更多有用的信息。通过自动评估与人工评估的结果可知本文所提出的模型有利于提高知识选择的准确度并提高模型生成响应回复的质量。