随着人工智能的兴起和移动互联网的发展，对话系统这一新型人机交互方式逐渐走入人们的生活，并受到学术界和工业界的持续关注。意图识别是人机对话系统中自然语言理解部分的关键子任务，主要用于对话系统正确理解用户语言，意图识别的准确性影响对话系统的合理回复生成以及整个对话系统的服务质量。近年来，深度学习模型在单意图识别任务上有较好的表现，然而在多轮对话中如何利用当前对话的历史信息来理解当前对话的多个意图，是对话系统的难点。
　　针对多轮对话下的多意图识别问题，具体工作如下：
　　其一，现有的意图识别方法，其文本的词向量表示方法无法解决同义词、一词多义等问题，本文选取Bert预训练模型得到文本的字符级向量表示以获取更丰富的语义信息。
　　其二，目前已有的意图识别模型对历史信息的利用比较单一，本文针对多种对话场景，设计了一种基于双向门控循环单元和注意力机制的分类模型，该模型提出了四种历史信息引入方式并加入了控制单元进行筛选，进一步提升了分类效果。
　　其三，针对对话文本可能含有多个意图的问题，本文设计了一种基于改进型胶囊网络的多意图识别模型，该模型在引入历史信息与控制单元的基础上，利用双向门控循环单元代替胶囊网络的卷积层，并增加自注意力层和卷积胶囊层提取意图文本的关键语义信息。
　　在单意图和多意图的数据集上的实验表明，引入历史信息和控制单元后，双向门控循环单元模型的微平均F1值分别提高了12.91%和6.79%，改进后的胶囊网络模型的微平均F1值分别提高了14.60%和13.67%。