对话回复的自动生成任务是自然语言处理领域的一个十分关键与困难的任务。它是自然语言生成任务中的一个方面,包含了对自然语言的理解、推理,以及对各种外部知识的应用。近些年来,能够生成像人类一样对话的回复语句的对话机器人越来越受到人们关注。给定一条对话的句子,生成一条这个句子的合适的回复,这就是回复生成任务。随着深度学习的发展,科研工作者利用Sequence to Sequence(Seq2Seq)框架构建的神经网络对话模型在对话回复自动生成任务上取得了极大的进展。我们知道,对句子的语法信息进行建模对神经网络对话模型生成更高语言质量、更加合适的回复是十分必要的。然而,现有的利用Seq2Seq框架的神经网络对话模型并没有将句子的语法信息考虑在内。在本文的研究中,将探索将语法信息加入到Seq2Seq神经网络对话模型之中,实现了语法信息增强的神经网络对话模型。本文首先尝试将序列语法信息融入Seq2Seq神经网络对话模型之中,提出了两个词性增强的神经网络对话模型POSEM-Ⅰ以及POSEM-Ⅱ。将序列语法信息表达为词性序列,同时在生成回复的过程中,依据生成的词性限制词汇的生成。本文随后探索了将带结构的语法信息融入基于注意力机制的Seq2Seq神经网络对话模型之中,提出了两个基于依存句法关系的神经网络对话模型RANM以及RAANM。通过依存分析树根节点对应的关键词扩展生成回复并且融入双重的注意力机制。最后,本文综合前两种方法,同时将序列语法信息与带结构的语法信息与基于注意力机制的Seq2Seq神经网络对话模型相结合,构建了语法信息增强的神经网络对话模型。实验表明,本文所提出的模型在Perplexity、BLEU值以及人工评测上都取得了相对已有的神经网络对话模型较好的效果,能够生成出语言质量更高、与待回复语句一致性更强、更加合适的回复。