对联是一种独具特色且历史悠久的中国传统艺术,对联的艺术形式严谨,要求上下联字数相同,语义相对,语调的平仄协调。随着深度学习在自然语言领域中的发展,针对汉语的文本生成任务也得到了更多的关注,其中,中国传统对联的下联生成任务是一项极具创新性的研究。与对话系统、机器翻译、诗歌生成等任务不同,下联生成任务不仅需要得到有效的输出,更需要输出下联与输入上联之间满足字数、语义、语调等要求。现有下联生成方法存在如下问题:在嵌入阶段普遍使用“字”嵌入而导致词语天然语义丧失;对联内部对应程度欠佳;未对低频词进行处理等问题。为解决该问题,论文基于神经网络和机器学习中的相关技术进行研究,对“词”嵌入后的对联本文进行了重划分,并对基于Attention的传统Seq2seq框架进行了算法改进,然后利用聚类和支持度计算等方法对低频词进行了处理。论文使用中国对联数据集作为实验数据,使用BLEU值、困惑度和人工打分等方法作为评价指标,对比得出论文所提方法较现有方法在不同评价指标上的表现均有优势。主要贡献如下:针对现有方法普遍使用“字”嵌入而导致词语丧失天然语义的问题,论文对基于“词”嵌入的n对n下联生成问题进行研究:（1）分析了“词”嵌入方法在实现n对n输出时难以满足字数要求的问题。针对字数一致难题,提出了一种最小共有和数的语料重划分方法。语料重划分方法将传统的“词语-语料”双层文本结构转化为“词语-短语-语料”三层文本结构,使得新型文本结构既在词语层上保留了词语的语义,又在短语层上实现了短语的一一对应,进而满足模型实现n对n输出的要求。（2）针对对联内部对应程度欠佳的问题,论文对传统文本生成模型进行了改进。首先将双层注意力机制（Hierarchical Attention,HAN）应用在文本生成问题上,并设计了Seq2seq框架中嵌入双层注意力的变量传递过程;然后引入联合学习方法来增强对联内部各词语、各子句之间的对应程度。实验结果表明,双层Attention比单层Attention忽略不相关信息的能力更强,引入联合学习后极大的增强了模型的泛化能力,对联内部的对应程度有所提升。（3）针对低频词导致的生成下联质量低下问题,论文提出了一套低频词的处理方法。首先设计了融合双重分词和迭代反馈的低频词处理方法,方法共包含候选共现集构建和UNK映射两个阶段,候选共现集构建阶段用于保存低频词与替换词之间的映射关系,UNK映射阶段利用这种映射关系来获取替换词。然后设计了NCW-CTF指标,用于评价不同替换词与低频词的共现程度。实验结果表明,论文提出的低频词处理方法能够改善低频词的生成效果,从而使得模型生成下联的质量大大提升。