自然语言理解是任务型人机对话系统中的基础性研究工作,对于给定用户输入,旨在把自然语言转换成计算机能够理解的结构化语义表示。自然语言理解由意图识别和槽填充组成,其中意图识别完成对用户意图的判断,槽填充完成对用户输入实体的抽取,通常使用多任务学习来同时完成两个任务,相关技术目前成为学术界研究的焦点。本文基于深度神经网络模型,对自然语言理解任务进行了研究,研究内容包含两方面:首先,自然语言理解模型通过使用神经网络对单词语义进行组合来表示句子语义,本文分析了现有语义组合方法存在的两个问题:（1）在句子输入的每个位置使用用相同的语义组合,无法捕获丰富的组合语义而缺乏表达能力;（2）模型能否收敛到一个较好的解取决于人工设定的学习率大小,若太小收敛慢,若太大将不会收敛甚至发散。针对上述问题,提出一种基于元学习的跨任务的语义组合模型,能有效的提升自然语言理解任务的性能,其基本思路是:（1）对语义组合的元知识使用共享的元网络来捕获;（2）对任务模型的参数直接由元网络生成;（3）使用LSTM模型作为元网络,其中元网络的每个时间步的输出更新任务模型的参数。实验结果表明,提出的方法能有效解决现有方法中存在的问题,在两个公开数据集ATIS和Snips上分别取得了95.36%和91.76%的性能效果。其次,本文解决了现有自然语言理解模型对语义理解不充分和没有深入挖掘上下文语义相关性的问题。现有方法存在两个问题:（1）使用共享表示层来实现槽填充和意图识别的多任务学习,没有考虑到在语义层意图和槽标签的语义相关性,使得语义理解不充分存在明显的性能下降;（2）在语义层面忽略上下文之间语义相关性,造成信息的丢失,针对上述问题,本文的解决思路是是:（1）采用门控机制建立两个任务在语义层面的联系,使用门控网络融合意图和语义槽的信息来理解语义;（2）采用自注意力机制,为句子中的每个词语表示融入全文语义信息,避免信息的丢失。实验表明,本文提出的方法能有效解决自然语言理解任务中存在的语义理解和上下文语义相关性的问题,在ATIS和Snips数据集上最高带来4.7%和11.67%的准确度提升。