近年来,微软小冰、天猫精灵等聊天机器人的研究与运用得到快速发展,并开始扮演着重要的角色。除了进行正常的自然语言理解与生成外,拥有情感理解与同理心对话能力是聊天机器人的重要特征。合理有效的同理心回复可以带来更好的用户体验。现有的同理心对话方法主要采用多任务学习框架,在情感分类的同时进行回复生成,取得了不错的效果,但仍存在一些问题。一方面现有方法通常只利用了部分情感信息,却忽视了其他与对话相关的状态信息;另一方面现有方法大多只利用了浅层的情感类别信息,但缺乏对深层的情感原因信息的利用。针对这些问题,本文分别从状态管理和情感原因发现两个角度对同理心对话生成方法进行研究,主要内容包括:对同理心数据进行观察和分析发现,对话轮次之间存在不同的状态转移规律,即同理心回复受到多个状态影响,不同的状态特征对于回复的生成有很大影响。因此,本文首先研究基于状态管理的同理心对话生成模型。该模型由基于Transformer的状态管理模块以及回复生成模块组成。状态管理模块利用两种状态转移的先验矩阵和对话历史信息进行状态预测,回复生成模块则将状态管理模块所预测的状态特征采用两种方式融合,并利用门控机制输出最终的回复输出。在Empathetic Dialogues同理心对话数据集上的实验结果表明该方法在BERTscore等自动评估指标以及人工评估指标上均优于基线模型,可以有效利用状态信息生成更合理的同理心回复。针对现有同理心对话对情感理解利用不足的问题,本文进一步挖掘对话中的情感原因,提出了基于情感原因发现的同理心对话生成模型。该模型包含情感推理模块和回复生成两个模块,前者同时进行情感分类和情感原因检测。后者由seq2seq框架组成,通过软门控注意力机制或者硬门控注意力机制两种方式在交互注意力层上引入情感原因信息,并进行最终的回复输出。在Empathetic Dialogues数据集上的实验表明该方法相比于当前最好的模型在情感预测准确率上提升7.37%。在其他自动评估指标和人工评估指标上也取得目前已知的最好效果,表明该方法的有效性。