近年来,越来越多的智能设备进入普通家庭,给用户的日常生活带来了极大便利,也在悄然改变人们的传统生活方式。面对越来越多的智能设备,传统依赖大量实体控制终端的红外遥控或数据面板等控制形式,已经不能满足用户对繁多智能设备的控制需求。而语音控制这种非接触的控制形式解放了用户双手,被认为是最自然且便利的控制方式。然而现有的语音控制系统,往往只针对用户较为明确的控制命令做出响应,对于语义不清晰的控制命令或者包含在用户日常对话中的隐式控制需求不能很好的识别并做出响应。针对上述问题,本文主要基于槽位填充方法,结合交互式问答,提出了一种通过人机多轮问答交互来识别用户控制意图和理解对话语义的控制模型,并将其用于智能家居设备智能控制。本文从以下三个方面对基于槽位填充的智能家居交互式问答方法展开研究:（1）针对用户日常对话中的隐式控制需求设备主体难以识别的问题,基于BERT预训练模型,提出了一种融合BILSTM和TextCNN神经网络的意图识别算法,实现交互式问答中的设备控制主体识别。首先使用BERT预训练模型得到文本词向量表示,然后分别使用了BILSTM和TextCNN神经网络用于特征提取,融合的文本特征经由全连接层完成分类工作。在家居控制对话数据集和微博情感分析等数据集上进行实验,其中在家居控制对话数据集对显式和隐式命令的平均识别率达到了93.5%,在其他几个分类数据集上也取得了较好的结果。（2）针对用户日常对话中的设备控制命令元素缺失的问题,提出了一种结合句法分析的槽位信息提取算法,用于交互式问答中的文本语义理解,并完成语义元素补全。首先经由预训练的成分句法分析器得到对话文本的词性特征,然后与文本词向量融合后输入基于BILSTM+CRF的序列标注网络,得到文本的槽位标注结果。在基于BIO标注方法的自建家居控制对话槽位数据集和经典槽位填充数据集ATIS上进行实验,其中在自建家居对话槽位数据集上取得了91.7%的F1值,相对于未融合句法分析的方法F1值提高了3.5%,同时在ATIS数据集上F1值达到了90.6%。（3）针对现有智能家居设备语音控制系统无法有效识别隐式控制命令的问题,结合上述意图识别算法和槽位填充算法,提出一种面向智能家居的交互式问答控制方法,并基于该方法构建家居控制原型系统。首先对标准控制命令槽位、填充信息及交互反馈语句进行预设;然后设计人机交互问答逻辑,结合意图识别算法的识别结果得到对应基于槽位的标准控制命令预设,并依赖槽位填充算法抽取对话文本关键槽位信息用于填充预设的标注控制命令,通过用户与系统的多轮交互问答完成用户对话到标准化家居控制命令的转化;最后搭建基于该方法的问答控制原型系统。系统测试表明:经过两轮交互后,本文所构建的模型对于显式命令的识别率达到了96.5%,经过三轮交互后对隐式命令的识别率达到了94.0%。本文研究的交互式问答方法面向智能家居环境下实际需求,有效改善了家居语音控制系统存在的易产生次优解和隐式命令识别难等痛点。测试结果表明对智能家居环境下家居控制命令的识别率有一定程度的提升且具有一定的可用性,为后续的智能家居控制领域研究提供了一些支撑。