近年来,随着人工智能技术的发展,人机对话系统作为其典型应用取得了令人瞩目的成绩,自然语言理解是任务型对话系统中的重要组成部分,也受到了广泛的关注。对话系统与用户交互时,系统首先需要将人类的语言转化为机器可读的结构化信息并“理解”人类语言中所包含的意图,然后,系统再根据意图来作出相应的回复。然而,在现实场景中,标注大规模的高质量数据需要巨大人工和时间成本。并且,不同于其他领域的文本数据,电子商务领域的客服对话历史有着更冗长的文本,而当前的自然语言理解技术受限于硬件的性能,难以处理过长的文本输入或需要极大的计算开销。因此,电子商务领域的意图识别系统面临的两项重大挑战,一方面是长文本问题,即如何简化文本信息而不过多的损失其所包含的用户意图信息,以减少计算开销;另一方面是缺少标注数据问题,即如何利用少量的标注数据和大规模的无标注数据,以减少人力成本。针对以上问题,本文进行了以下的研究工作:（1）基于自监督学习的关键对话判别模型:该模型通过预训练语言模型中自监督任务的特点,模拟人类阅读理解时的思考过程,从长文本中识别并抽取关键句。JDDC数据集上的实验证明了模型能够有效的精简长文本且保留大多数语意信息。此外,我们以JDDC数据集为基础,使用模型构建了构建了电子商务售后对话的意图识别数据集（Customer Service Intent dataset,CSI）。（2）基于自训练和主动学习的意图识别模型:该模型以预训练语言模型为基础对少量数据进行自训练学习,并且我们提出了一种主动学习策略,其结合自训练过程将每一轮自训练过程中对每一个批次的候选样本找出不确定性最高的一组,送往数据库进行人工标注,用最少的标注成本实现对模型性能的最大化提升。此外,为了减少自训练过程中的伪标签噪声问题,我们提出了一种自适应主动阈值模块,其根据模型的性能和训练目标数据集的大小及类别数量来平衡生成的伪标签数量和需要标注的样本数量。我们在AG’News、IMDB和CSI数据集上的实验表明,模型的拟合速度和准确率得到有效提升。（3）商品事件增强的USS意图识别系统:为了解决真实场景中意图识别系统意图表述歧义大、新意图增长快的问题,我们开发了商品事件增强的USS意图识别系统。为了提高实际应用中意图识别的准确性,我们对历史对话进行预处理、抽取关键对话、生成商品事件,作为一种知识信息加入USS意图识别模型训练,来帮助下游的意图识别任务取得更好的效果。该系统能够时刻保持意图识别系统的准确性的同时以最小的人力成本实现目标,同时可以应对不断迭代更新的现实意图识别场景。