多回合对话回应选择是自然语言处理领域的一个热门方向,旨在最大限度地模仿人与人之间的对话方式,使得人类能够用更自然的方式与机器进行交流。准确、无歧义的人机对话能够最大限度降低机器的使用门槛,方便人们生活。多回合对话回应选择任务主要包含三个步骤:文本潜在语义信息的挖掘和整合、对话上文与备选回应交互信息的挖掘和整合以及结果的预测。而已有的研究存在以下问题:对话上文信息与备选回应间的关联关系未充分利用、对话历史的潜在语义信息挖掘不够以及只在单语言数据集上训练模型忽视了语言之间互补性。针对上述问题,本文开展多轮对话中回应选择问题研究。具体包括以下三个方面:（1）针对现有方法存在对话上文信息与备选回应间的关联关系未得到充分利用、对话历史的潜在语义信息挖掘不够的问题,本文提出对话中融入交互信息的回应选择方法。同时考虑对话的上文信息与备选回应信息,借助交叉注意力机制实现两者的软对齐,对它们之间的关联关系进行有效捕捉。另一方面借助多头自注意力机制从多个不同视角捕获对话历史的潜在语义信息,使用高速路神经网络实现多种信息的有效桥接,深度挖掘语义信息的同时保证信息的完整。实验结果表明本文提出的对话中融入交互信息的回应选择方法能够有效提升人机多回合对话回应选择任务的性能。（2）对话历史对当前回应选择的贡献度是有差异的。当历史上文很长时,仍然等同地考虑它们,将严重影响回应选择的性能。此外,对话历史的整体语义对回应选择意义重大。为了更好地表征对话历史,本文提出了一种融入对话上文整体信息的层次匹配回应选择方法。使用多头自注意力机制深度挖掘对话上文的语义信息,同时使用交叉注意力机制从上至下整合整个对话上文的信息,并与备选回应进行交互。实验结果表明本文提出的融入对话上文整体信息的层次匹配回应选择方法能够有效提升人机多回合对话回应选择任务的性能。（3）不同语言的对话文本在对话结构、语言习惯等方面都有相似之处,此外语言间互补性明显,对此,本文提出一种联合学习方法,利用对话语言结构的相通性以及不同语言的互补性提升多回合对话回应选择任务的性能。实验结果表明本文提出的联合学习方法可以有效提升多回合对话回应选择任务的性能。本文首先对现有模型的不足进行了分析,在此基础上搭建本文的基准模型,并借助两类注意力机制深度挖掘文本语义;接着,针对基准模型机械拼接对话上文的不足构建了融入对话上文整体信息的层次匹配回应选择方法;最后,本文利用语言之间的互补性将联合学习引入多回合对话回应选择任务中,利用中英文数据联合训练提升任务的性能。