随着机器学习的发展,人机对话领域相关的技术取得极大的突破,近年来,许多成熟的人机对话系统已经实现了产品落地并在人们生活中逐渐普及,如微软小冰、siri以及小度机器人等。任务型人机对话系统主要由语音识别,自然语言处理,对话管理、自然语言生成以及语音合成五个模块组成,对话管理控制着整个对话过程的逻辑,相当于对话系统的大脑,主要负责对话状态追踪、槽位填充、上下文建模、指代消减和省略补充等任务。本文在槽位填充和对话状态追踪任务上开展了研究工作。在槽位填充任务中,本文提出了一种基于改进BILSTM(Bidirectional Long Short-Term Memory,双向长短时记忆网络)+CRF(Conditional Random Field,条件随机场)的槽模型来完成槽值填充任务,新模型在BILSTM+CRF模型的输入层加入了依存句法分析模块,通过学习句子中的词性、语法等特征,提升槽位填充的准确率,实验表明,新模型在训练数据较少的情况下对槽位填充效果提升更明显。在对话状态追踪任务中,本文提出了一种基于LSTM(Long Short-Term Memory,长短时记忆网络)的状态追踪模型,该模型通过层级建模的方式将口语理解和对话状态追踪模型联合起来,从而减少了口语理解错误导致的误差传递,模型的输入为ASR(Automatic Speech Recognition,自动语音识别)结果,针对训练过程中出现的未见槽值的问题,本文在状态追踪模型的上层中引入了注意力模型,通过计算用户文本特征向量与槽值之间的余弦相似度来确定新槽值,在保障普通槽值准确率的基础上缓解了未见槽值的问题。最后,本文将所提出的模型应用到实际的订餐任务中,设计并实现一个基于餐厅预订任务的智能对话系统,并将它与微信公众号对接,通过对餐厅预订任务的功能演示,来验证本文所提出的基于改进BILSTM+CRF模型和基于LSTM状态追踪模型在现实应用的可行性。