近年来,随着预训练模型的广泛应用,人机对话技术的研究取得令人振奋的进展。但是,目前的人机对话系统大多聚焦于人机双方参与的应用场景,对于更具有通用性的人机多方对话的研究及应用则鲜有涉及。在多方对话中,多个参与者在交流中所扮演的讲者及听众的角色不断并行交替,极大增加的对话关系结构的复杂程度。由于角色和结构的多样性差异,传统的人机双方对话模型缺少相应的建模策略,因此往往很难直接迁移到多方对话场景。本课题主要围绕多方对话的关键技术展开,根据已有的对话系统的启发以及多方对话的场景特点,我们将多方对话关键技术划分为理解技术和生成技术。对话理解部分一方面需要明确对话系统的回复时机是否合适,另一方面选择待回复的目标角色。对话生成部分则给出符合指定目标角色和多方对话历史的回复。具体来说,我们展开以下三个方面的研究:（1）探索基于角色和结构感知的多方对话理解技术。针对说话人及说话对象预测的典型任务,我们采用多种角色向量编码机制隐式表征对话角色的交替。考虑到对话中存在的多种话题交叉,引入对话流图以及两种角色关系图显式建模对话结构。通过角色和结构的双重建模,角色预测的准确率明显提高。（2）探索基于角色和结构感知的多方对话生成技术。我们采用融入多角色向量编码的序列到序列的生成模型。考虑话题内容冗余性问题,提出基于掩码的跨注意力机制,显式控制模型对于历史的关注程度。对于容易产生与角色和内容不一致的回复现象,我们引入针对多方对话场景的非似然估计训练。（3）探索基于序列到序列生成的多方对话理解和生成联合建模技术。针对流水线对话系统存在的种种问题,我们提出基于字符角色表征的序列到序列生成模型,实现对话理解和生成的联合建模。同时,采用多方对话回复选择作为辅助任务共同训练,从而进一步提升模型的对话理解能力。我们尝试从上述三个层面探索多方对话的关键技术研究,结合自动评价指标以及人工评价指标对多方对话理解和生成模型的效果进行综合性评估。最终实验结果表明,我们所提出的角色和结构感知的多方对话建模方法都是有效的,在多个数据集上均取得优于已有模型的效果。