近些年来,得益于人工智能的快速发展,对话聊天系统的构建取得了巨大的突破。现有构建对话聊天系统的方法大致可以分为两类:基于生成的方法和基于检索的方法。基于生成的方法可以在给定的会话环境下生成高度一致的新响应;而基于检索的方法当给定某些会话上下文时试图在预先构造好的对话语料库中找到最相关的上下文-响应对。为提高检索式对话聊天系统响应的准确率,本文先对现有的序列建模方法进行改进,然后提出层级残差匹配网络。无论是生成式对话聊天系统还是检索式对话聊天系统,都需要对对话进行序列建模。而在序列建模中,充分利用记忆是构建基于记忆模型的挑战之一。现有的工作要么利用循环神经网络,但它记忆容量太小,无法全面建模序列的信息。要么利用记忆网络,虽然有外部存储结构来增强记忆,但记忆没有得到充分利用。为了解决这些问题,本文提出了一种新的记忆交互循环单元,它在循环单元中构造一个多维记忆矩阵,并使用卷积操作来交互和更新。因此,其可以从序列中提取更多的信息,并充分利用记忆。在基于检索的对话聊天系统中,响应选择的目的是在给定对话上下文时在候选语料库中找到最相关的响应。该任务的一个关键技术是如何在丰富的语义信息下衡量会话上下文与响应的匹配程度。为了充分利用会话历史和响应中丰富的语义信息,本文提出了一种层级残差匹配网络,用于多回合响应选择任务。首先,层级残差匹配网络通过精心设计的多层级语义编码器提取出不同的语义信息。其次,由于它是一种深层的架构,在训练中会陷入困境。为了缓解这一问题,本文探讨并考虑了两种残差技术。接着利用双向注意力机制收集所有层级和残差语义信息的匹配特征。最后,将匹配特征单独计算子匹配得分并融合。在两个基准数据集上对模型进行了实验验证,并与基准方法进行了比较。结果表明,提出的模型响应选择性能有显著提高。