伴随着信息咨询需求的不断增加,人机对话交互的场景越来越多。一般的对话中用户带着明确的目的而来,希望得到满足特定条件的信息或服务,例如:订餐,订票,寻找音乐、电影或某种商品等等,并且由于用户的需求可能比较复杂,需要分多轮进行陈述,用户也可能在对话过程中不断修改或完善自己的需求。此外,当用户的陈述的需求不够具体和明确的时候,机器也可以通过询问、澄清或确认来帮助用户找到满意的结果。因此需要从对话过程中提取出用户表达的信息特征,建立合适的对话质量评估模型,从而有助于人们去改善机器语言对话技巧,对提高用户咨询满意度具有重要意义。在本文工作中,将重点放在了多轮对话的语义特征上,利用多种深度网络模型去提取语言特征,并针对与中文对话提出相关模型,主要工作包括以下几个方面:本文首先利用统计的对话特征进行学习,包括LR、SVM、决策树等传统机器学习方法对人工添加时间特征的样本数据的训练以及以循环神经网络模型对交互历史特征的自动提取,结合所提出的各项指标结果对比发现神经网络模型能够有效地捕获对话序列特征。随后基于NLP相关研究基础,仅从对话文本出发,不再做人工特征的提取,提出了利用BiLSTM、1D-CNN以及Multi-head Attention模型去自动的学习每轮交互文本中各个单词的上下文特征,并结合历史对话信息,生成每轮对话向量,从而完成模型的训练,达到了与传统的人工提取的交互特征相近的结果,并通过随机添加错误单词,验证NLP方法在实际文本识别出错情况下的适用性。最后,考虑到汉字的起源是图像信息,与英文的读音起源的本质区别,针对于中文交互场景,构造了训练的语料库和训练数据集,提出了利用CNN模型进行对话文本中汉字象形特征提取的方法,对比NLP中传统的方法,中文字形的引入能够有效的提高对话语义的表达能力。