在面向特定任务的人机对话系统中,自然语言理解模块负责获取用户输入的与任务相关的信息,把用户输入的自然语言文本转换为便于机器理解和计算的结构化语义表示。自然语言理解是对话系统的先导任务,是后续任务的基础,它的性能会直接影响整个对话系统的质量。自然语言理解通常包含领域识别、意图识别和槽填充三个子任务,传统的研究大多分别建模这三个子任务,易出现误差累积的问题,影响自然语言理解的整体性能,为此,出现了联合建模其中两个或多个子任务的研究。本文研究自然语言理解中意图识别和槽填充两个子任务的联合建模,并应用构建人机对话系统中,具体内容包括:提出了一个同时建模意图识别和槽填充两个子任务中交互信息、层次信息以及上下文信息的多级深层神经网络模型。基础模型由两个深层神经网络级联而成,通过采用不同的神经网络变体进行不同的组合,发展了一个联合模型簇。在两个公开英文语料和一个实验室系统获取的中文语料上的实验结果都表明:本文提出的联合模型比已有的联合模型具有更好的性能,在中文语料上的提升幅度甚至超过十个百分点。实验分析表明了交互信息、层次信息以及上下文信息的有效性。提出了一种不依赖外部语料、对于不同语种都适用的缓解自然语言理解中未登录词问题的方法。该方法在上述联合模型的基础上进一步构建了具有显式上下文输入的结构,同时引入数字、字词聚类类别等特征。实验结果表明,该方法有助于降低未登录词的槽标注错误率,尤其在数字未登录词上效果明显,可以降低三十个百分点。基于上述模型,实现了一个自然语言理解模块,并将其应用到一个电信领域的智能问答系统中,表现出良好的性能。