自然语言理解作为任务型人机对话系统中一个重要的组成部分,一般包含领域识别、意图识别和语义标注三个部分,其中领域识别作为自然语言理解的先导任务,是后续任务的基础,其结果影响着对话的结果与质量,是自然语言理解的重要任务。在实际任务型人机对话系统的应用中,领域识别需要识别出当前句子的所属领域,再由接下来的意图识别和槽填充任务识别并解析出该领域下的句子意图和槽值信息。现实对话中由于领域众多且无关联参考信息,往往加大了输入单句进行领域识别的分类难度。此外,多领域对话任务中各领域间的数据不平衡问题,也会严重影响到领域分类的结果。因此,对句子进行有效识别并分类成为了对话中重点关注的问题。传统的研究大多在关注于单句的分类结果,较少利用对话上文的有效信息辅助分类。本文结合实际需求,对上述已有相关研究的问题进行充分调研的基础上展开研究工作,具体内容包括:提出了一种基于多任务学习的领域识别模型。模型为当前句子的领域识别引入上文信息,构建基于当前句子和上文信息的领域识别器,随着上文信息窗口的变化,可以构建多个不同的领域识别器,将这些识别器进行联合训练。实验结果表明,该模型在对话数据集的评测上得到了更好的领域识别效果。同时对领域识别时不同领域训练数据不平衡的问题进行了分析和探索,实现了多种处理不平衡数据的方法,包括过采样方法、代价敏感学习方法等,并进行了最优性能的探索实验。实现了一个多业务售后客服人机对话系统。通过与企业产品和客服部门进行的深入交流,完成了系统的需求分析,在将本文上述技术融入到系统概要设计和详细设计的基础上,进行了系统的开发。对系统的功能评测表明,该系统能够成功识别所输入句子的领域并进行后续对话,返回正确结果。在企业实际应用中取得了较好的对话性能和体验。