今天的世界正在以前所未有的速度发展的同时也产生了海量的大数据,其间也充斥着很多冗余信息,问答系统作为应用领域中十分成功的案例能帮助用户方便的解决很多问题。现在的问答系统在单回合问答的表现已经取得了不错的成绩,然而现实生活中,用户和问答系统之间的交互往往是多个回合。由于多回合对话包含的信息更多,而且每个轮次之间话题的主题往往不相同。在多回合对话模型中,模型抽取到的有价值的信息越多,最后生成的答案的质量也就越高,所以如何对已有的信息更有效的利用是个重要问题。为了使多回合对话更加智能,深度学习是目前多回合对话广泛采用的方法,现有的多回合对话生成方法对于上下文关键信息的抽取不够,并且生成的句子质量很差,句子本身缺乏多样性,语法性和合适性。在传统的检索式对话中,由于依赖关键词匹配等技术,所以检索得到的答案是高度匹配的。但是传统的检索式对话对于复杂问题的灵活度较差。而在生成式对话中,可以应对复杂多变的问题,但是容易产生不切实际的,不通顺的答案。所以本文认为,可以把检索式方法的优点和生成式方法的优点结合起来,使用检索来辅助生成模型,进而提升模型的表现效果。在本文中,首先提出了一个多回合分层编码器模型来更好的适应多回合对话的特征,以此来更好的抽取上下文有关信息。在本文中把复杂的多个回合对话按照对话的轮次进行拆分,并且引入了轮次位置编码来突出对话的轮次特征,之后使用注意力机制来找到和当前轮问题最相关的上下文背景信息。之后,本文提出了针对多回合对话动态分层融入相关历史对话信息模型。为了使模型对已有背景信息进行有效扩充,本文认为只考虑当前对话窗口下的上下文信息是不够的,应该更多的考虑和当前轮问题更相关的历史对话,从相关的历史对话中来检索得到可以用于辅助当前轮问题生成的有效信息。所以本文在检索得到相关信息之后,使用动态融合编码器来逐步向上下文中添加补充信息。本文最后对提出的算法进行了充分的实验验证。本文采用了现阶段广泛使用的Ubuntu英文社区多回合对话数据集和Daily Dialogue多回合对话数据集来验证本文所提出的模型的有效性,相关实验结果证明本文提出的算法是有效的。