社会的发展和技术的进步使得人机交互系统逐渐成为技术研究的热点,其中对话系统是一个重要的方面。而任务型对话又是对话系统中应用面最广的技术之一。随着对话系统应用面的推广,单个领域的对话系统已经不能满足实际需求了,多领域的对话系统及其相关技术的研究逐渐成为当前研究和应用的重点,而在此基础之上的模型跨语言能力的迁移泛化又是当前国际化不断推进带来的新的具有实际应用场景的研究方向。本文首先对现有的公开任务型对话数据集进行了分析和总结,并对目前两个常用的多领域数据集进行了详细的介绍和分析,并对其生成方式进行了完整的说明;还介绍了任务型对话常用的评价指标以及其中最关键的联合正确率指标以及计算方式。并且本文对模型和数据进行实验和分析时,采用“人工+规则”的半自动方式修正了常用公开数据集中存在的部分错误数据,获得了较高高质量的数据集。本文针对任务型对话系统中的对话状态跟踪这一关键技术进行研究和探索,改进设计了面向多领域的编解码结构的对话状态跟踪模型。从数据表示、信息获取方式以及预训练模型的微调任务对模型的结构和前后处理进行了设计,提升了人机交互过程中对用户表达的语义的连续理解能力,将多个领域信息融合进词槽信息并在结果中单独进行提取,模型在联合正确率等评价指标上相较于基准模型有所提升,对后续相关的模型设计给出了改进的思路。针对跨语言迁移泛化的场景和任务,设计了适用于任务型对话的模型迁移泛化学习任务以及数据处理方式,从联合学习、语料映射等角度对模型迁移泛化能力进行提升,在多领域的基础上对任务对话状态跟踪的跨语言泛化方法进行实验,并且根据数据的特点,从统计和规则的角度对数据和结果的进一步处理,在主要评价指标上取得了较好的效果。