随着人工智能的发展,人机对话系统成为了学术研究的热点。广泛应用于任务型对话系统的方法是基于模块化的思想,将系统划分为自然语言理解、对话管理以及自然语言生成三个子模块。这种分而治之的方式保证了每个子任务独立建模,简单易于实现,但同时也存在三个问题:一是模块之间的依赖性强,数据的更新会带动所有模块进行调整以保证系统的全局优化;二是每个模块的训练需要大量独立的标签数据;三是子模块的设计跟特定领域相关,导致模型的领域移植性差。近年来,大量研究尝试使用基于端到端的对话框架来解决上述问题,然而现有的端到端模型多集中于非面向任务的对话系统,缺少对自然语言理解的建模及领域知识的应用。针对上述问题,本论文设计与实现了一个基于端对端方法的任务型对话系统。具体来说,本文的主要研究内容包括:(1)在自然语言理解的意图识别任务上,分别介绍了基于CNN、RNN以及两者混合的意图识别模型,其中重点提出了一种带有自注意力机制(self attention)的RNN模型。最后,实验结果对比表明带有加性自注意力的BiLSTM模型表现效果最好。(2)在自然语言理解的槽位填充任务上,分别介绍了基于统计机器学习、基于神经网络以及基于两者相结合的序列标注模型,重点阐述了利用神经网络提取输入文本的状态特征后通过CRF获取全局最优槽位标签序列的过程。最后,实验结果对比表明基于BiLSTM_CRF的模型表现效果最好。(3)提出了一种基于端对端的任务型对话系统架构,包括文本的特征表示、命名实体识别和状态跟踪、基于RNN的对话策略网络、对话动作模板和领域知识库等模块。在此基础上提出了两种不同的方式引入对自然语言理解的建模:第一种方式通过引入(1)和(2)中的意图识别和槽位填充模型,将预训练的自然语言理解模块加入到文本的特征表示中;第二种方式通过对自然语言理解和对话管理进行联合建模,充分探索了多任务之间的共享知识。实验结果表明上述两种模型的表现均优于前人工作中已发表的端到端模型。