近年来,知识型回复选择任务引起了很多研究人员的关注,其目标是根据给定的对话上下文和背景知识,从候选回复集合中选择最适合的回复,与用户进行自然而有意义的交流。随着深度学习技术的发展,当前针对知识型检索式对话系统的研究取得了一定的进展,但仍存在一些不足:（1）当前许多研究基于预训练词嵌入或预训练模型蕴含的通用语言知识对文本建模,未能有效利用知识型对话语料的语言知识;（2）采用串联编码的Cross-encoder架构模型由于输入序列长度限制而无法完整刻画长对话和长背景知识;（3）采用分离编码的Bi-encoder架构模型割裂了对话和背景知识之间的关联特征;（4）当前研究只利用每轮对话中后者话语作为对前者话语的真实回复构建正训练样本,而忽略了前者话语是对前一轮对话的真实回复,未能充分利用双方语料训练模型。针对上述问题,本文提出一种基于交叉注意力的知识型检索式对话系统模型KCN（Knowledge-grounded Cross-attention Network）。首先,针对已有模型不能有效利用任务语料语言知识的问题,本文提出一个使用任务语料对预训练模型BERT进行后训练的知识适应性训练方法,包括掩码语言模型任务和一致性检测任务,旨在通过BERT学习知识型对话语料的语义知识,以及对话和背景知识之间的一致性和关联特征。然后,针对Cross-encoder模型无法对完整的对话和背景知识长序列进行串联编码的问题,KCN通过BERT以分离编码方式对对话和背景知识文本进行完整建模。接着,针对Bi-encoder模型的分离编码方式割裂了对话和背景知识之间关联信息的问题,KCN基于交叉注意力构建交互层和匹配层以重构关联信息。在交互层中构建对话上下文和背景知识的关联特征,并分别聚合到原表征中以增强表征;在匹配层中分别构建候选回复与对话上下文、背景知识之间的匹配特征,聚合得到最终的表征向量以计算匹配分数。最后,针对当前研究只利用一方话语作为回复构建训练数据的问题,本文提出一种将对话双方话语都作为真实回复,构建更丰富的训练数据的数据增强方法,缓解小规模任务语料库对模型性能提升的限制。实验结果表明,KCN有效提升了知识型检索式对话系统的准确率,在Persona-Chat Original、Persona-Chat Revised和CMUDo G数据集的R20@1指标都取得了当前最好的效果,分别为86.2%、81.4%和84.7%。