在人工智能迅速发展的背景下,基于深度学习的任务型对话系统由于其广阔的应用场景以及丰富的技术挑战一直受到广泛的关注。越来越复杂的使用场景也催生了多领域任务型对话系统的出现,例如智能助手在帮助预定车票时,也需要关注目的地的住宿情况。利用单领域叠加的方式会存在槽位共享困难、系统调用混乱等问题,难以适用于复杂的多领域场景。在领域较多时,当前研究存在着对话状态追踪准确率不高的问题,应对愈发庞大的本体数量、以及复杂的槽位设置有着明显的局限性。同时多领域对话所带来的对话动作数量激增、对话历史长距离依赖等需求也是目前研究所缺乏的。针对上述多领域对话系统面临的问题,本论文研究并实现了一个面向多领域的任务驱动型对话系统。论文主要工作包括以下三点:（1）提出了一种基于联合学习的自注意力对话状态生成模型。采用生成任务替代了序列标注任务,利用交叉注意力以及将槽位判别任务与槽值生成任务进行联合学习的方式,解决了槽位不准确以及历史信息丢失问题。模型在MultiWOZ数据集上分别达到了 54.18%的联合准确率以及97.83%的槽位准确率,超越了当前的相关生成型研究。（2）提出了一种基于轮次自注意力机制的历史信息编码器的对话生成模型。利用基于对话轮次的自注意力结构,避免了关注到不合理的后续轮次信息。采用基于图状结构的对话动作表示方法,增强了多领域间信息的交互效率。在MultiWOZ数据集上,本论文的模型对话成功率达到了 72.3%。（3）本论文基于上述改进实现了一个完整的多领域对话系统展示平台。设计并完成前端界面、数据库管理、后台控制、会话管理等子服务,实现了交互、账户管理、任务管理等功能,相比于单领域对话,该平台更具备实际应用价值。