随着信息技术的发展,人机对话系统已经广泛应用于多种领域,如在车载环境下通过人机对话帮助驾驶员导航、调节车窗等以降低事故风险,在网络购物环境下利用智能客服协助处理客户问题来降低客服过程的人力成本,在心理健康领域利用聊天伴侣来辅助治疗抑郁症。任务型对话系统是针对特定任务的对话系统,基于端到端方法的任务型对话系统与传统方法的任务型对话系统相比,不存在功能模块间的误差累积问题,也无需对各功能模块进行独立训练,因此引起学者的广泛关注。然而,现有的基于端到端方法的任务型对话模型的领域可扩展性普遍较弱。现有模型普遍依赖各个领域的大量数据来训练,难以进行领域之间的知识迁移并难以扩展到标记数据不足的新领域,因此不具备领域自适应能力。本文针对以上问题展开研究,首先采用基于记忆指针网络（Memory Pointer Network,MPN）的任务型对话模型来解决任务型对话中引入知识库的问题,在此基础上采用基于多领域特征融合的任务型对话模型,来实现领域间知识迁移和领域自适应。基于MPN的任务型对话模型,使用记忆网络来存储和查询知识库,使用指针网络来复制知识库中的内容。基于多领域特征融合的任务型对话模型使用多领域特征融合方法,来进行领域共享特征和领域私有特征的融合。在SMD数据集上的实验结果表明:基于记忆指针网络的任务型对话模型相对于Mem2Seq模型在双语评估替换（Bilingual Evaluation Understudy,BLEU）指标上提高了12.7%,说明了模型引入知识库方法的有效性;基于多领域特征融合的任务型对话模型相对于GLMP模型在BLEU指标上提高了6.6%,且该模型具有领域自适应的能力,在单个领域数据只有1%的情况下模型在F1指标上至少提高了80.7%。本文的研究结果提高了任务型对话模型的领域可扩展性和领域自适应能力,对于任务型对话系统的实现具有重要的实际应用价值。