人机对话系统是自然语言处理领域中备受学术界和工业界关注的技术,也是走向真正人工智能道路上富有挑战性的重要任务。根据应用场景的不同,人机对话系统主要分为闲聊式的开放域对话系统和面向服务的任务型对话系统。随着深度神经网络的兴起,端到端生成式对话模型因其有效性和易部署性成为近年来人机对话系统的研究热点。然而,现有的开放域对话系统仍存在对常识知识缺乏融合的问题,不能很好地结合背景知识生成高质量的回复;任务型对话系统往往需要与用户进行多轮交互才能完成特定任务,随着对话上下文变长,模型对领域特定知识库中的知识存在推理能力不足,进而难以准确响应用户的目标。因此,本文旨在研究端到端生成式对话系统中的知识感知与推理,针对现有对话生成模型的缺陷,分别从知识感知和知识推理两大方面对生成式对话展开研究,进而提出有效的模型与算法。针对开放域对话系统中的常识知识融合问题,本文提出一种基于知识感知的开放域对话生成模型,它从基于知识库的问答任务中迁移其问题表示和知识匹配的能力,用以辅助对话生成模型对输入话语中的常识知识理解,并生成符合事实的知识实体。此外,本文还提出一种回复引导注意力机制和多步解码策略,它有助于对话生成模型更好地捕获用于生成回复语句所相关的特征。针对任务型对话系统中的知识推理问题,本文提出一种对称动态记忆网络模型,它包括对话记忆管理器和知识库记忆管理器两大核心部分。对话记忆管理器通过一种动态更新机制追踪长期的多轮对话状态信息并有效捕获当前轮次的对话信息,而知识库记忆管理器则通过一种动态记忆指针有效获取领域特定知识库的知识,两者的分离与交互使得对话解码器更好地完成知识推理并生成高质量的对话回复。本文在多个公开的对话数据集上进行了对比实验,实验结果表明,本文提出的方法在多个自动评估指标和人为评估上取得显著优于基准模型的效果。本文还通过模型消融分析、错误分析和生成结果展示进一步探索了本文方法的优越性与不足之处。