随着网络的发展和计算机处理能力的提高,深度学习技术在自然语言处理领域不断发展。对话生成技术是自然语言处理任务之一,也是机器与人交流的桥梁。在智能客服以及在线教育中应用越来越广泛,然而该类对话忽视了情感因素对回复的影响。不同的情感可以表达不同的思想,愉快的情感可以起到安抚的效果。因此本文主要研究情感对话生成。本文对基于注意力机制的情感分类模型改进,提高情感分类的准确率。针对现有情感对话生成模型存在回复单一、情感不符的问题,结合情感分类器与生成器,构建一种特定情感对话生成模型,在生成器中加入注意力机制提高回复质量。为了能自动识别输入语句的情感,并作出相应的情感回复,本文构建一种非特定情感对话生成模型,旨在实现自动情感回复,主要研究内容如下:（1）为得到准确度更高的情感分类器,通过对注意力机制进行相关研究。本文主要在两个方面进行改进:改变对齐分数求取方式、优化记忆矩阵,构建5种改进模型。为了验证算法的有效性,在Sem Eval 2014、twitter数据集以及中文微博数据集上进行实验。将精度最好的模型作为情感对话生成的情感分类器。（2）针对情感对话回复单一、情感不符的问题,本文提出一种特定情感对话生成模型（SEDG）,通过指定情感生成相应的回复。该模型由生成器和情感分类器组成,生成器采用基于Seq2Seq模型,通过情感分类器指导生成器生成指定情感的回复。首先,将指定情感向量化,令生成器生成回复,情感分类器对回复进行分类得到回复情感向量。然后,通过余弦函数计算指定情感向量与回复情感向量的相似度,将余弦相似度与生成器的损失函数结合得到情感损失函数。最后,通过随机梯度下降算法不断训练直到收敛,生成指定的情感回复。在NLPCC 2017情感对话数据集上进行实验,相比ECM模型,本文提出的SEDG模型一致性更好、情绪安抚效果更好。（3）为了能自动的进行情感对话,本文提出一种非特定情感对话生成模型（NSEDG）。该模型由1个生成器与2个情感分类器组成,2个情感分类器分别对输入序列与生成回复进行情感分类,得到输入序列情感向量Emo A与回复情感向量Emo B,通过情感对应规则得到Emo A对应的情感向量Emo A＿r,计算Emo B与Emo A＿r的余弦相似度,将余弦相似度与生成器的损失函数结合得到情感损失函数,通过随机梯度下降算法不断训练直到收敛,生成相应的情感回复。在NLPCC 2017情感对话数据集上进行实验,相比Seq2Seq,A-Seq2Seq模型,本文提出的NSEDG模型一致性更好、情绪安抚效果更好。