随着石油勘探开采领域数据的日益增多,现有的任务型对话系统已经难以准确回答人们提出的所有问题,而且由于专业领域中专业词汇较多、对话逻辑独特的关系,导致对话系统泛用性不强,智能性也难以更进一步。针对专业领域的任务型对话系统,学者们纷纷提出多种方法并加以论证,虽然这些方法使专业对话系统性能得到了提升,但仍未能达到人们口中的智能。本文针对石油勘探开采领域的对话系统进行研究,具体工作如下:首先,提出一种专业领域的分词方法。本文在分词模型中使用键值特征提取法,通过N-gram将每个字的构词能力最大化,有效提升专业领域内未登录词的识别能力。同时,借助BERT生成语义丰富的词向量以及Bi LSTM-CRF网络自动分配权重,并充分考虑标签之间的依存关系,进而提升模型的专业分词能力。通过测试可以看出,该方法在专业领域的分词任务中有不错的效果,为后续石油勘探开采领域的文本处理奠定了基础。其次,提出一种改进的意图识别方法。为解决文本信息未被完全提取的问题,提出将专有名词视为意图信息进行权重提取并嵌入到Text Rank中,实现意图信息与词向量的结合。针对多头自注意力机制输入特征通道未完全利用的问题,提出将SE Net网络与多头自注意力机制进行融合,通过SE Net网络学习每个输入特征通道的重要程度,以此提高多头自注意力机制的性能进而提升意图识别的准确率。通过测试表明提出模型在意图识别任务中的性能良好。再次,提出一种改进的对话状态追踪模型。模型通过Star Space为槽值构建向量空间,实现对槽值更全面的特征提取,以增加新槽值的识别率。利用GRU对用户当前输入及历史对话进行对话特征提取,并引入Transformer从对话特征和上轮状态信息中提取特征进行联合,提取的词粒度特征表达信息更全面。联合后的特征使模型能更加充分地利用已知的各种信息,以此增加对话状态判断准确率。通过验证,模型在对话状态追踪上综合性能更好。最后,对面向石油勘探开采领域的对话系统以NAO机器人作为载体进行实现。通过改进的分词模型对石油勘探开采领域的文本进行分词、意图识别模型对用户意图进行识别以及对话状态追踪模型确定当前对话状态。将NAO机器人作为终端与意图识别系统通信,构成对话机器人,经测试,验证了机器人在任务中的准确性。