任务型对话系统能够以人类语言与用户交流,在多轮交互中监控用户目标,最终完成用户所提供的任务。对话状态追踪是任务型对话系统中承上启下的关键模块,当前研究忽略了槽位与自然语言之间的关联,导致模型无法处理一些特殊的用户表达。此外,传统模型还采用了槽位门控机制并且将对话历史作为输入,这拖累了系统的响应速度,使用户无法获得良好的人机交互体验。针对传统模型忽略了槽位与自然语言之间的关联并且推理速度过慢的问题,本研究提出一种对话现象感知的对话状态追踪算法,同时专注于提升模型的推理速度。进一步地,本研究还利用模式引导范式的思想,使系统具有一定的泛化性。最后,构建了一个基于中文的任务型对话系统平台,用于分析与测试。具体来说,本研究主要包括以下几个方面:（1）提出了基于对话现象感知和焦点损失的对话状态追踪算法。该算法以对话现象为切入点,为不同的对话现象分配不同的槽值生成算法。这能使模型尽可能地覆盖多样的自然语言表达。提出使用焦点损失函数增强槽位门控单元的预测能力。本研究在多领域任务型对话数据集Multi WOZ 2.2上进行了验证,结果显示模型的联合目标准确率达到55.9%,相对于STAR模型提升了1.2%。消融实验展示了焦点损失函数有利于槽位门控单元预测难样本。（2）提出了基于轮级对话的一步对话状态追踪算法。该算法仅将当前轮对话作为输入,然后使用前一轮的对话状态序列代替对话历史,这将大量地减少模型输入的长度,同时减少模型的推理速度。考虑到槽位门控机制受到数据不平衡的影响,同时还使模型无法并行处理所有槽位。本研究提出一些功能性符号,以此取代槽位门控机制。在中英文数据集Multi WOZ 2.2、2.3和Ri SAWOZ上进行了实验,结果显示该模型的联合目标准确率分别达到了57.7%,59.5%和68.1%,同时模型推理一次的时间为10ms,是SOM-DST模型的2.1倍。本研究还分析了系统推荐误差的影响,实验结果显示模型具有不错的鲁棒性。（3）基于上述两种对话状态追踪技术的研究,本论文实现了一种改进的对话状态追踪模型,并且复现了两个系统回复生成模型,然后使用Flask构建了一个基于中文的任务型对话系统平台,提供了两种交互方式:基于web页面的交互方式以及基于控制台的纯文本交互方式。本文从使用者角度演示了几种常见的对话流程,包括单领域以及多领域的对话。结果显示系统具有较快的响应速度以及较为流畅的对话过程。