对话状态追踪是面向任务的多轮对话系统中的重要组成部分,旨在根据对话上下文估计每轮对话中的用户目标和请求,为对话决策提供决策依据。传统的对话状态追踪方法将口语理解的结果作为对话状态追踪模块的输入,存在误差传递的问题;并且随着用户与系统的对话轮次不断增加,传统方法在新槽值和罕见槽值的识别上难以达到较高的准确率。本文为改善这些缺点,设计了基于神经网络的状态追踪方法,并对对话状态追踪模型在知识驱动对话系统中的重要作用进行了探究。为了解决多轮对话系统中新槽值及罕见槽值的识别问题,本文提出了基于局部槽特征的模型。该模型将局部的槽信息作为特征,借助注意力机制与LSTM(Long Short-Term Memory,长短期记忆网络)在不同槽信息的基础上学习用户当前输入、上一轮系统动作及候选槽值的特征表示,模型利用学习到的表示对候选的槽值进行评估,从而生成对话状态。该模型在两个公开数据集上进行了实验,实验结果表明,本文提出的模型在两个状态追踪数据集上都有较好的识别准确率及较快的运行速度。该模型简单有效并能在不同槽信息的环境下学习到每个槽的特征,有利于罕见槽值和新槽值的识别。针对上述模型中对所有候选槽值建模的问题,本文提出了基于分层神经网络的模型。该模型尝试利用以LSTM为主要模型的分层神经网络对对话状态间序列关系进行建模,底层模型利用不同的编码方式对对话轮次中的不同信息进行编码,并组合成当前轮次的全局特征;上层模型将每轮次的全局特征为输入,采用LSTM对多轮对话中的轮次信息进行序列建模,以达到对话状态追踪的目的。该模型在两个公开数据集上表现由优于基于局部槽特征的模型,且没有对候选槽值进行建模,更具有实用价值。为探究对话状态追踪模型在对话系统中的有效性,本文进一步设计了将对话状态追踪嵌入到知识驱动对话系统中的框架,以验证对话状态追踪模型能否提升对话的生成质量。该框架利用状态追踪的结果,借助注意力机制对知识库中的条目分配权重,结合传统序列到序列模型进行解码,生成最终的系统回复。实验结果表明,结合上述对话状态追踪模型的对话生成框架能生成更流畅、更准确的系统回复。