人工智能的发展和智能设备的推广正在改变着人们的生活,越来越多的用户通过人机对话的方式来获得高效便捷的服务。自然语言理解的准确与否是衡量对话系统智能化程度的重要因素,它的效果会直接影响对话系统后续的对话状态追踪和回复内容生成任务。目前,由于中文语义理解面临着缺乏特定任务领域的公开数据集、用户表达的不规范性、语义的多样性和意图的隐含性等挑战,所以中文对话系统中的自然语言理解问题备受关注。因此,任务型对话系统中的语义理解的研究具有巨大的科研价值和应用价值。针对任务型中文对话系统的现状,本文构建了中文任务型对话系统的语义理解数据集,在基础数据的基础上,通过将句子输入搜索引擎找相似句子和人工造句两种方式进行了扩充和标注。扩充后的数据集包括7个领域,每条数据都包含对应的领域类别标签、意图类别和语义槽,共53327条数据。此外,本文提出了端到端的基于领域分类、意图识别和语义槽填充三项任务的联合识别模型,进行了算法实现,效果最好的结合ERNIE的联合识别模型的句准确率为95.27%,并和基于Word2Vec词向量的传统模型的自然语言理解方法和基于BERT预训练基础模型的方法做了对比实验,验证了提出的模型的可行性和有效性。为了将算法应用到实际中,结合现有的健康服务平台,本文设计了智能音箱——小智助手的系统架构。小智助手的系统架构主要包含输入输出模块、智能问答模块和服务组合模块。针对每个模块,都提出了相应的解决方案。小智助手能够满足用户简单的出行娱乐需求,让人们的日常生活更加便捷。