槽填充是人机对话系统语言理解部分的一个重要任务。槽填充是指从用户对话中抽取与任务相关的关键信息,槽填充的性能对整个对话系统的质量有非常重要的影响。槽填充技术得到了广泛的关注和研究,从早期采用模板方法到目前多采用统计序列标注模型。近年来,深层神经网络模型也用于解决槽填充任务。但是,槽填充技术还存在不少需要进一步研究的问题。本文针对其中的两个问题开展了如下的工作:其一,当前对条件随机场和循环神经网络模型等序列标注模型在槽填充任务上的性能表现存在一些不同的观点,本文较为系统地比较分析了几种序列标注模型在槽填充任务上的性能表现,在三个多轮对话语料上的实验分析得到了一些更丰富和明确的结论。其二,现有槽填充方法中使用的特征多为当前话语的词特征、词性特征和命名实体等句子内部的特征,而较少涉及到当前话语之外的信息。实际上,对话历史信息等当前话语之外的信息对槽填充任务有重要的价值,上一轮的对话经常会包括当前轮次对话的补充信息。本文提出在槽填充任务中使用几种句子内部特征和对话历史信息的特征,实验表明了这些特征综合的有效性。最后,本文将所提出的槽填充模型应用于一个面向会议室预定的人机对话系统。