近年来,随着社交媒体和互联网的普及和发展,对话系统因其极具潜力的研究价值和商业价值引起了学术界和工业界的共同关注。国内外科技行业公司纷纷发布了各自在智能对话领域的产品,如苹果Siri、微软小冰、亚马逊Alexa、百度小度、小米小爱同学、阿里巴巴的小蜜等。这些智能对话产品的出现,给数以亿计的人们的生活带来了极大的便利性。对话系统的目标是利用计算机技术实现计算机与人之间进行自然语言交流。端到端的聊天式对话系统一般分为检索式对话系统和生成式对话系统。生成式对话系统通过自然语言生成根据上下文输入生成回复。但是目前基于序列到序列的方法趋向于生成一些无意义或不流畅的回复。检索式对话系统一般会提供候选回复集,每次回复从候选回复集中进行检索筛选。相比之下,基于检索的对话系统能根据实际业务特点和需求设计出大量预定义的候选回复,这些回复往往自然流畅,语法正确,具有更好的信息度且更易于评估,因而被大量运用于目前的聊天机器人和人工客服。但检索式多轮对话的研究仍然面临着对话文本理解、语料匮乏和篇章结构建模等方面的困难。因此,如何进一步合理地将上下文信息进行深度建模成为了提升检索式多轮对话的关键。本文专注于检索式多轮对话为研究问题,针对对话文本的领域适应、交互性、逻辑性等挑战,从语言模型预训练目标、多轮对话交互建模、语篇结构建模等三个方面提出相应解决方案。首先为提升对话中的语义理解能力,基于对话文本的交互特性提出了领域适应的预训练策略下一轮对话预测目标。其次,在已有基于交互的方法基础上,结合预训练语言模型的优势,提出了检索式多轮对话任务适应的模型框架。在三个公开数据集上进行了实验与分析,验证了基于领域适应预训练和交互匹配的方法的有效性。另外,本文还在有限数据的场景下,对模型的表现进行了进一步的评估。实验结果显示,本文提出的模型在低资源场景下也能获得较好的结果,体现了所提出模型具有较好的实际应用意义。此外,多轮对话具有特定的篇章结构,这一特点是其区别于其他类型的文本的一个显著特色。在现有的检索式多轮对话方法中,对话篇章关系常常在建模时被忽略,这使得模型对对话上下文的整体语义建模不充分,进而影响对话的效果。为更好地挖掘对话篇章结构特征,建模对话逻辑关系,提升模型推理能力,本文提出了一种对话篇章关系感知的图卷积模型。该模型通过对对话文本进行语篇解析,并利用图卷积刻画话语之间的关系,对对话篇章关系进行建模。在对话推理数据集Mu Tual上进行的验证实验表明引入对话篇章关系能有效提升模型在对话过程中的推理能力。