在日常口语对话中,人们常会使用代词来替代先前说过、但表述较为复杂的句子或短语,以使得语言表达简洁连贯,从而提高沟通的效率。然而,代词给日常交流带来便利的同时,也会引起语言理解的歧义,特别是一句话中存在多个指代关系时,对代词理解的细微偏差便会使句子的意思完全不同。基于神经网络的对话生成模型也受上述问题影响,口语中的代词给模型的语言理解造成了困扰,影响了模型回复生成的质量,这是对话技术性能提升的一大瓶颈。针对上述的问题,本文开展了利用共指消解技术辅助多轮对话生成的相关研究,即先利用共指消解技术抽取出对话中存在的共指簇,再利用共指簇消除对话中代词引起的歧义,提高模型对语言理解的准确度,进而提升模型生成回复的质量。本文开展的主要研究内容如下:（1）构建标注有指代信息的对话数据集,以改善训练数据稀缺问题。现有共指消解模型的训练通常使用篇章级文本,其特点是段落少、长度长、共指簇多,而对话数据轮数多、长度短、共指簇较少且多跨轮,所以使用现有的共指消解数据集训练适用于对话的模型适应性较差。我们在构建大规模多领域任务型对话数据集RiSAWOZ的同时,补充标注了对话文本中的共指簇信息,用于训练共指消解模型。同时为了便于标注,我们还开发了一套对话构造及标注平台。（2）使用共指簇恢复对话完整语义,以增强多轮对话生成。我们利用标注了指代信息的对话数据训练了一个共指消解模型,在每一轮对话生成前,都先利用共指消解模型识别出对话上下文中存在的共指簇,若本轮对话的问句中含有代词,则根据共指簇将问句中的代词替换为代词所指代的实体,恢复问句的完整语义,最后将其放入对话模型生成对话。此方法显式的利用共指簇消解代词,恢复语义,降低了对话生成模型的语言理解难度,同时,以预处理的形式增强对话模型,可操作性强。此方法在RiSAWOZ数据集上进行验证,在多个领域的数据上,较基线模型都能取得有效的性能提升。（3）将共指簇信息融入对话模型,以辅助多轮对话生成。尽管以预处理的形式恢复语句完整语义能有效提升对话生成的质量,但管道式结构易引入额外的错误,造成反效果。我们在利用共指消解模型抽取得到共指簇的基础上,提出一种隐式的方式消解代词。共指簇中的元素相互间存在指代关系,同时文本中的词也存在对应顺序关系,据此我们构建了词之间的关系图,再使用图卷积神经网络将图结构化编码,得到消解完代词的句向量表示,与对话生成模型中上下文编码得到的句向量融合,最后生成回复。此方法在多个领域数据上进行了验证,其效果较基线模型和语义恢复方法都取得了显著的提升。