口语理解作为任务型对话系统的第一个流程,在对话系统领域中具有重要的研究意义。目前,对于口语理解任务的研究多基于深度学习方法,在每个对话领域都需要大量的标注对话数据来支撑模型的训练,因此带来相当大的数据成本。而针对数据问题被提出的小样本学习目前还处于初级阶段,主要应用在图像分类任务中。本文将小样本学习方法应用于口语理解任务,对于口语理解的两个子任务——意图识别和语义槽填充分别提出了适用于小样本数据的模型,并将两个模型结合提出了一个口语理解联合训练模型。本文提出的小样本意图识别模型采用编码-归纳-关系的模型结构,应用了Bi-LSTM与注意力机制进行样本语义向量的编码,并将胶囊网络的原理应用到模型算法中,使用动态路由算法进行类原型向量的计算。将模型在最新小样本数据集Few Joint上进行训练与测试,本模型的意图识别准确率达到了78.04%,对比基线模型得到了不错的提升。本文提出了一种小样本语义槽填充模型,基于CRF算法原理采用转移概率与发射概率的结构,提出“本质转移矩阵”用于获取整个源域上跨领域的共享转移概率信息,并采用Tap Net来计算发射概率分数。该模型在同样的数据集上进行训练与测试,最终得到了67.11%的语义槽标注F1值,大幅超过了基线模型在相同数据集上的成绩。最后,本文将小样本意图识别模型和小样本语义槽填充模型进行结合,提出了一种小样本口语理解联合模型,提出共同编码-分别归纳-融合打分的模型结构,并在打分过程中创新性地将查询样本的意图分类结果融合到语义槽标注任务的相似度计算中。该模型在数据集上取得了79.74%的意图分类准确率和72.57%的语义槽填充F1值。实验结果表明,联合训练能够有效提升模型在两个任务上的表现。