近年来,随着深度神经网络的快速发展,基于循环神经网络的模型在机器翻译领域取得了非常显著的成果。因为对话的生成也可以看成是从输入到回复的一种翻译,所以将其应用到对话系统上也是一种非常有前景的方式。并且随着互联网的发展,网络上开始涌现出大量开源的对话数据集,这也使得以数据驱动和端到端的方式训练生成式对话系统成为可能。本文主要研究的是开放域生成式对话系统。不同于特定域的对话系统,其主要目的是和用户闲聊,放松心情。生成式对话系统的特别之处在于可以生成语料库中没有出现的句子,所以可以比基于检索和模板的对话系统生成更多有意思的内容。但是传统使用的序列到序列模型存在着一些问题:（1）由于在解码时使用贪心解码的策略选择每个时刻概率最大的单词,使得模型倾向于生成非常通用和保守的回复,大大降低了生成回复的多样性;（2）由于目前预训练的词向量和训练的数据集并未包含更多的情感信息,所以生成的句子往往缺乏情感。最近条件变分自编码器模型在生成回复的多样性上取得了突破性的进展,所以基于条件变分自编码器模型并且针对以上问题,本文的主要工作如下:（1）尝试了一种将情感字典与条件变分自编码器模型相结合的开放域对话生成模型Affect-CVAE。模型使用了人为标注的情感字典作为单词的情感嵌入,在训练数据中引入了情感的先验知识。另一方面,模型通过重构回复中单词情感使得隐变量捕获回复的情感分布,生成情感更加自然,语义更加多样的句子。除此之外,模型从生成回复的语法,语义和情感三个方面制定了重排序的规则,在保留条件变分自编码器模型生成回复多样性的同时在内容和情感上也保持合适。（2）尝试了一种将单词级别情感和句子级别情感与变分分层循环编码解码器模型结合,并使用了强化学习技术的开放域多轮对话生成模型RL-VHRED。通过针对回复的情感多样性,语义多样性和上下文连贯性制定奖励,引导回复的生成。另外,还在多轮对话中验证了Affect-CVAE模型中重排序机制的有效性。总体来说,本文主要研究了单轮和多轮开放域生成式对话系统中提升回复情感和多样性方法。通过在真实数据集上的对比试验证明了改进得到的Affect-CVAE模型和RL-VHRED模型在提升生成回复情感和多样性上的有效性。