自然语言理解是自然语言处理中的一个很重要的分支,旨在自动的将非线性的语言资料转换为一种可以直接被机器直接采用处理的语意表示资料。其中自然语言理解最常用的应用场景之一就是对话系统。根据应用目的的不同可以分为闲聊,推荐,基于特定目的对话等。其中基于特定目的的对话系统最核心的就是意图分类模块,这是一个典型的文本分类问题。大多数传统的模型包括支持向量机,提升树等模型都可以应用来作为解决文本分类问题的模型。随着21世纪以来深度学习领域的快速发展,深度学习网络的方式,包括使用n-gram特征的TextCNN,可以对任意长度依赖关系进行建模的递归神经网络(RNN),长短时记忆网络(LSTM)等,逐渐成为了解决文本分类问题的主流方案,这些措施应用在意图识别上都有了不同程度的提高。进一步的sequence-to-sequence网络以及双向递归神经网络bi-RNN等开始用在这一场景来解决问题。而以上这所有的方法都需要更多的标注数据。但因为众所周知的原因,大规模的标注数据往往都是匮乏的。这也成为了限制很多模型精度进一步提高的主要原因。但与此相对的是,通常都有大量的与此相关的非标注数据。本文提出了一种条件序列生成对抗网络(cSeq-GAN)来解决标记训练数据不足的问题,它不需要直接生成样本,而是通过生成器的输出来优化鉴别器。基础思想是利用大量的非标注数据来强化生成器,从而产生更多的样本来实现最终强化分类器的效果。除了标注语料匮乏以外,另一个制约意图识别应用的因素就是系统的反应时间。应用复杂系统通常可以提高准确率,但也会带来时延上的问题。作为一个整体系统中的一部分,通常是对系统整体的反应时间有严格的要求。这就要求既能应用复杂模型保证分类的准确度,又能快速实现匹配。针对此情况,本文提出了基于Bert与DSSM的快速意图识别匹配算法。实验结果表明两种设想均完成了既定目标,能够在一定程度上提高系统表现。