随着人工智能的发展,人机交互对话系统越来越受欢迎,其中意图识别模块受到越来越多的关注。目前,意图识别方法大多使用有监督的方式进行编码,而现实生活中的标注数据往往较少、人工标注成本也较高。针对无标注、小样本数据,如何通过无监督的方式来解决意图识别问题,是当前自然语言处理领域一个热点问题。本研究通过有效的文本表征和小样本学习,来解决电子商务客户服务对话意图识别问题。本文基于某电商平台真实对话数据,结合文本表征和小样本学习方法,通过引入对比学习来解决无监督下正负样本缺失的情况以改进意图识别模型,应用到电商平台对话系统中,实现用户意图识别准确率的提高。首先,采用两阶段（TF-IDF-m RMR）特征词筛选方法,过滤出对意图有帮助的特征词,以避免特征词之间存在信息冗余;实验结果反映出通过特征词筛选能使得模型识别精度提升1个百分点。然后,使用BERT作为意图识别的文本表征器,并采用对比学习的方式做无监督训练,以充分利用无标注数据作为先验信息,从而实现文本向量表征;通过对比目前流行的编码器如DPCNN,Text CNN,Text RCNN,Text RNN,Attention和Transformer模型,发现召回率、精确率以及F1值平均提升2个百分点。最后,采用度量学习的框架构建小样本意图识别模型,基于前述文本表征作为框架中的编码器,使用归纳网络和关系网络作为打分器,通过参数学习优化样本和类别表示的距离建立整体模型,得到性能良好的意图识别模型;通过同Bi LSTMAttention和RNN-LSTM等其他意图识别模型进行对比,发现所构建的意图识别模型的精确率能提高3个百分点。本文通过数据处理、模型构建以及对比实验,验证了基于文本表征和小样本学习的对话意图识别的有效性,拓展了小样本学习任务的应用场景。