自然语言理解作为构建人机对话系统的核心组成部分之一,具有非常重要的科学研究价值。而意图识别则是自然语言理解系统中的一项子任务,其准确性直接影响到了自然语言理解性能,进而影响人们对人机对话系统使用的体验。随着人机对话系统的不断发展和完善,越来越多的任务型人机对话系统不断地部署到人们的现实生活中,如智能手机助手、车载语音助手以及APP中的智能客服系统等等。然而,由于人类口头语言在现实场景中的随意性和简洁性,使得在现有的人机对话系统中,存在着大量的非标准化表达形式的句子,这些句子通常表现出语言简短、内容宽泛等特点。通过分析这样的对话文本来确定用户意图是一项具有挑战性的任务。考虑到监督学习方法是当前意图识别的主流方法,但它需要大量公开标注好的训练语料库。然而,语料库标注的工作不仅繁重且耗时,而且具有很高的人工成本。为此,本文第一个工作内容是在交通客户服务领域中收集了一个大规模的中文多意图对话语料库——CMID-Transportation。语料库中包含251094条对话,大约104万个句子,涉及到8个意图,不仅包含人与人交互形式,而且还包含人与机器交互形式。在这个语料库上基于现有主流分类算法进行了一系列实验,并提出了一种基于BERT的上下文建模的意图识别方法。该方法首先将对话文本进行数字化,表示为机器可以理解的编码向量形式,该编码向量是由字向量、文本向量和位置向量简单地求和得到,然后输入到BERT模型中以获取文本中不同层次的语义信息,最后构建分类模型对BERT输出的文本语义向量进行权重训练,最终获得意图分类结果。在本文的第二个工作中,受语音识别过程中出现丢字（漏字）或转录出错等现象启发,提出一种简单高效的基于数据增强的意图识别方法。该方法首先通过模仿语音识别过程中可能出现的问题,对已有训练语料进行随机同音字替换和随机删除操作,以获得带有不同语义信息的训练语料。然后对训练语料进行数字化表示为计算机可以理解的编码向量形式输入到BERT模型中,以获取不同层次的文本语义向量。最后构建分类模型对文本语义向量进行权重训练,获得意图分类结果。最后,本文对提出的两种意图识别的方法在CMID-Transportation数据集上进行实验,并与其它方法进行了实验结果的比对。实验结果显示出这两种方法在Hamming loss,zero-one loss,Micro-F1以及Macro-F1上都具有一定的优势。