面向多轮对话场景的省略恢复与指代消解任务是近年来自然语言处理领域的一项关键任务,其能够通过对缺省话语的补全消歧,获得更能表达完整语义信息的语句,以辅助推进对话进程,帮助对话系统正确地理解用户的意图。给予后续对话状态跟踪、对话回应生成、对话自动摘要等下游任务以强有力的基础支撑。近年来,随着深度学习技术在自然语言处理领域的兴起和发展,多轮对话省略恢复与指代消解研究也不可避免地受到了这波浪潮的冲击。本文基于深度神经网络构建的各基准平台,针对历史对话蕴含的丰富省略指代语义信息检测、历史对话结构的动态建模、抽取生成两者方法间的互补性探索等方面,对多轮对话省略恢复与指代消解展开了一系列研究,研究内容主要有以下三个方面:（1）针对历史对话中蕴含的省略、指代缺失语义信息关注度不足的问题,本文提出了无监督抽取算法对目前公开可用语料进行二次标注,并进一步提出了抽取式对话省略指代一体化检测模型。针对实际对话文本中省略和指代现象占比较小的问题,本文提出增加是否缺失判别的辅助任务,训练模型判断目标缺省话语是否存在省略、指代现象,与缺失语义抽取任务建立联合学习模型。实验结果证明,本文对对话省略指代检测任务的分析和模型的改进是正确且有效的。（2）多轮对话场景下,对话历史信息对于缺失语义的恢复至关重要,而现有研究大多不加区别的对待对话历史信息,甚至存在长距离“信息遗忘”问题。针对上述问题,本文提出了一种融入多粒度对话历史信息的生成式对话省略指代消解模型。编码阶段,本文提出了“说话者强调”机制的对话历史编码器允许模型独立地查看每个说话者的对话历史话语,以更好地表征全局对话历史信息;解码阶段,提出自顶向下分层拷贝机制给予对话历史信息以句子级别到词级别的多粒度信息关注。实验结果证明上述两方面的改进能有效提升多轮对话省略恢复与指代消解的性能。（3）抽取式模型存在可读性、连贯性较差的问题,而生成式模型往往逻辑性、准确性不够强。考虑到抽取式和生成式的方法各有所长,借助两方法之间的互补性,本文提出了一种融合抽取-生成式的对话省略指代消解模型。首先结合抽取式任务检测对话历史话语中的缺失语义短语表达,接着将得到的缺失语义短语表达分别融入到生成式模型的解码初始和拷贝阶段,以约束指导生成最终的补全话语,提高最终结果的准确性、逻辑性以及连贯性。实验结果证明了该模型的有效性。