对话问题生成旨在根据给定长文本和对话历史生成对话式问题。在日常生活中,对话式问答更为常见,人们之间进行连续问答来传递信息。对话问题生成可广泛应用于教育、医疗和商业服务等领域,具有较大的应用前景。目前研究对话问题生成的主流方法是基于深度学习技术设计神经网络模型,然而模型生成的对话问题距离应用仍有很大的差距。本文主要基于序列到序列模型和预训练模型来分析如何提升对话问题生成的性能,本文主要的工作如下:（1）基于序列到序列模型的对话问题生成。本文构建了一个基本的序列到序列对话问题生成框架,并基于此框架对对话问题生成的答案信息、对话历史信息和长文本信息这三个具体方面进行建模分析。基于建模分析结果,本文提出了一个基于序列到序列模型改进的对话问题生成框架,为了更好地利用输入序列信息,本文从长文本信息中提取了包含答案的句子,将长文本、包含答案的句子和对话历史这三个信息源进行分开编码,根据不同信息源的特点设计了对应的编码器使用特征融合门机制对信息进行结合。实验结果表明,此方法可以有效提升模型对于输入序列的关键信息提取能力。本文根据改进的序列到序列对话问题生成模型,实现了一个可与用户进行交互的对话问题生成系统。（2）基于预训练模型的对话问题生成。从语言学上来说,对话问题类型的确定有利于引导对话问题内容的生成,预训练模型BERT在文本分类上有着很好的表现,本文设计了一个结合预训练分类模型和序列到序列生成模型的对话问题生成框架,同时本文采用决策级融合方式设计了一个基于BERT的多模型融合分类器来提升模型分类效果。实验结果表明,此框架能够提升对话问题类型的准确率,进而提升了对话问题生成的性能。鉴于预训练模型出色的文本表征能力,本文设计了一个基于预训练文本生成模型BART和T5的多模型融合对话问题生成框架,实验结果表明可以有效提升对话问题生成的质量。