构建能够与人类自然交流的对话系统是人工智能领域长久的愿景。近年来对话系统的研究取得了较快的发展,一方面得益于深度学习技术的进步以及互联网对话数据量的增加,另一方面得益于智能助手与闲聊机器人等产品的落地带来的应用前景与商业价值。因此,对话系统的研究对技术和产业的发展都有着重要的意义。本文主要研究基于开放领域的多轮对话系统,结合检索和生成的相关技术解决多轮对话场景面临的关键问题。本文的第一部分工作研究检索式对话系统中的多轮对话候选回复选择问题,提出基于记忆网络的多轮对话回复匹配模型,抽取上下文中的线索信息并对上下文和回复进行匹配。具体地,本文首先采用序列匹配网络对多轮对话的上下文进行建模;之后构建记忆网络融入上下文中的语义信息和序列关系信息,并采用多重注意力机制抽取上下文中的线索信息;最后与精心设计的自然语言处理特征相结合有效地提高了候选回复选择的性能。检索系统能够从预先构建的检索库中检索到具有信息性的回复,然而受到检索库容量的限制会导致检索到的回复和当前上下文不匹配。因此本文第二部分工作提出基于匹配增强的多轮对话回复改写模型,结合基于生成的方法对检索到的回复进行改写。具体地,本文首先利用神经匹配网络提取出候选回复中和上下文相关的词作为骨架,再采用层次编码解码模型基于骨架和上下文生成合适回复。实验结果表明,改写后的回复在保留信息性的同时提高了和上下文的相关性。真实场景下的对话通常需要借助和上下文相关的外部知识,前两部分工作仅仅从对话语料中学习语义交互,难以适应真实的对话场景。因此本文第三部分工作提出基于知识驱动的多轮对话回复生成模型,利用和对话相关的外部知识提高生成回复的质量。具体地,本文以层次编码解码模型为基础,在编码的过程中融入外部知识拓展上下文的语义表示,同时在解码的过程中动态地关注外部知识,利用外部知识引导模型生成更加多样化的回复。