现在社会科技发展进步明显,深度学习在自然语言处理中得到了较深的应用。对话系统的研究变得越来越重要,吸引着人们大量的关注,在人们生活中应用越来越广泛,尤其是针对特定的领域的任务型对话系统可以帮助公司大大的节约成本,给人们生活带来方便。自然语言理解、状态追踪、自然语言生成是对话系统的三个主要部分。自然语言语义理解模块是为了对输入的话术进行信息提取,以便机器更好的进行后续任务,需要把输入的非结构化信息转化为机器能理解的结构化信息。意图识别和槽填充是模块中非常重要且基础的任务,目前的模型中一般是将两个任务分开来建模,忽略了二者之间的关联性,没有将意图识别和槽填充任务很好地结合。对两个任务进行联合不但可以减少参数的使用,而且可以提高性能。因此本文围绕着如何加强二者之间的联合提出了相应地模型。本文从两个方面研究了意图识别和槽填充的联合模型,主要工作内容如下:第一、通过调研和实验,设计实现了多种意图识别和槽填充任务的基线算法,并搭建了任务型对话系统;同时也实现了基于参数共享的联合算法模型,针对当前联合模型存在的问题进行了分析讨论。第二、基于预训练机制,在底层的编码层实现了意图识别和槽填充模型的融合。本文采用了BERT模型来实现联合模型,利用BERT来代替意图识别和槽填充基线模型中的底层词向量表示模型。通过BERT实现两个模型的底层参数共享,从而加强输入文本的特征表示。实验结果表明,我们的模型在数据集上面取得了很好的效果。第三、基于指导式的融合机制,在意图识别和槽填充的输出端实现了模型融合。将编码后的意图识别结果通过线性变换加到每个词的槽位信息表示向量中,让意图信息去指导槽位填充模块,从而加强意图识别和槽填充的联合。基于ATIS、Snips数据的测试表明,该模型取得了很好地表现。第四、依据上面的创新联合模型搭建了一个面向打印机售后报修的中文对话系统。该系统是为了缓解客服压力,使之可以更好的迅速回答用户的问题。搭建的该系统应用了上述的创新模型,可以很好地和用户完成问答交互。