近年来,基于注意力（attention）机制的循环神经网络（recurrentneural network,RNN）将领域分类任务的研究进展带到一个新的水平。同时,为了提高口语语言理解（spokenlanguageunderstanding,SLU）任务的泛化能力,大型的预训练语言模型,如BERT（Bidirectional Encoder Representations from Transformers）,被应用于 SLU 的分类任务中。尽管上述研究表明,现有的神经文本分类器在经验上表现良好,但从话语领域理解的角度来看,它们存在以下两点局限性。一方面,这些神经分类器对低频和未见过的实体指称项学习不充分,导致其对应的权值是一个趋近0的数。特别地,在领域分类任务（utterance domain classification,UDC）中,由于口语化的表达,一些话语除了实体指称项之外,缺乏足够的信息词,这种信息损失和模型性能下降更加明显。另一方面,当缺乏知识引导时,实体指称项不能充分表达本身带有的领域标签信息,从而导致有偏的话语表达,降低领域分类的正确率。本文提出了知识驱动的神经话语领域分类框架（knowledge-based neural UDC framework,KNDC）,利用高覆盖率的实体指称项及低噪声的领域标签信息来丰富话语表征学习,主要的研究工作如下:（1）提出了一个知识驱动的神经话语领域分类框架,有效地将基于上下文的语义特征和基于知识的语义特征结合在一起,增强神经分类器的对话语的分析理解能力,提高话语领域分类任务的正确率。（2）设计一种新的知识获取策略,综合地考虑了高知识覆盖率和低标签噪声两个方面。具体地,首先利用远监督技术识别话语中的实体指称项,并从知识库中获取实体指称项的标签。接着,构造本地补充性知识库,以保证话语中知识的覆盖率,为神经分类器提供更加全面的领域知识。最后,对远监督和本地知识库带来的标签噪声做降噪处理,以保证话语中知识的质量,从而得到质量较好的知识。（3）设计了一种知识融合机制,分别构造句子级和词级的知识语义特征,并将其分别以粗粒度和细粒度的方式整合到神经分类器中,从不同的层次角度增强话语的表征学习,提升了分类模型的性能。本文选用了中文口语领域分类基准语料SMP-ECDT和英文口语对话分类基准语料MultiWOZ作为实验测评数据集。在数据集上,通过与研究进展的文本分类模型进行实验对比,本文提出的KNDC框架在两个基准数据集的实验上取得了较高的正确率,特别对于携带低频和未见过的实体指称项的话语,以及知识密集型领域,KNDC的提升效果会更加突出。相比于没有知识引导的神经分类器,本文所提出的知识驱动的话语领域分类模型能更好的区分任务型领域和闲聊领域之间的边界,较研究进展方法具有显著的优势。同时,本文还进行了一系列的消融实验,来进一步探索知识对神经分类器的影响。