最近,人机对话系统因其巨大的学术价值和商业价值而受到越来越多的关注。随着社交媒体和深度学习技术的迅猛发展,聊天机器人在生活中发挥着广泛的作用,它不仅可以满足人们的沟通需求,而且节省了企业的服务成本。为了更符合实际应用,人们往往研究多轮对话生成系统,这样可以利用更多的历史对话信息,同时也对如何更好地捕捉符合对话场景的特征提出了新的挑战。为了更好地对上下文信息进行建模,在多轮对话生成中,需要针对对话约束进行建模,捕获对话中的属性信息,提升模型的属性控制能力,增加生成回复的多样性。本文主要工作如下:首先,针对对话中主题与个性约束问题,本文提出了一种基于主题与个性约束的回复生成研究方法。日常对话中,对话者通常围绕特定的主题展开且每句话都有明显的情感和意图倾向。情感和意图描述了说话者的个性。该方法结合对对话的主题、情感、意图的识别,通过共享参数的方式实现对生成回复的主题、情感和意图的约束,从而生成具有合理的情感和意图且与对话主题相关的回复。其次,针对对话上下文约束问题,本文提出了一种基于上下文约束的回复生成研究方法。现有的多轮对话生成研究中往往忽略了对上下文子句关联进行建模的重要性。因此该方法旨在对上下文关联进行建模来提升生成回复的质量。在该方法中,主要考虑对上下文中相同说话者子句之间的关联和同一轮对话子句之间的关联进行建模。对相同说话者子句之间的关联进行建模,可以学习说话者在对话中承担的角色和对话动机;对同一轮对话子句之间的关联进行建模,可以学习说话者之间的逻辑交互信息。该方法使用图卷积网络对上下文关联进行建模,捕获上下文中的角色和逻辑信息。最后,针对结合对话中上下文与个性约束问题,本文提出了一种基于预训练模型与约束条件的回复生成研究方法。以往的研究中往往忽略了话语中的情感和意图之间的相关性。因此该方法旨在上下文约束的基础上利用情感和意图之间的关联提升个性约束的质量进而辅助回复生成。该方法中主要考虑利用生成式方法中解码时的条件概率来对情感和意图的关联进行建模,提高情感和意图识别的准确率。然后,将模型参数即学习到的这种个性信息迁移到对话生成中对生成的回复进行约束。