近年来,随着大数据和神经网络的发展,开放域对话系统的研究逐渐受到人们的重视。然而目前大多数对话生成方法主要关注回复内容的质量,忽略了情感对于回复生成的影响,但情感表达能使回复更加自然流畅。因此,在自然语言对话系统中考虑情感因素十分重要。此外,传统基于RNN网络的Seq2Seq模型生成回复时,会出现情感表达不明确、回复内容单一且相关性低等问题。该文针对以上问题,进行了以下研究:首先,针对现有对话生成模型在对上下文编码的过程中忽略了对全局特征的建模问题,本文提出了一个基于Transformer-L神经网络的情感对话生成方法。该方法使用Transformer作为编码器对输入序列的全局语义特征进行提取。所采用的Transformer由多头注意力机制构建,能够从多个子空间提取语义特征,再通过对来自于不同子空间特征的加权融合,从而得到更加全面的上下文语义表征。之后,通过在动态注意力机制中嵌入指定情感词,使模型在解码特征学习时关注到情感信息,从而生成情感回复。在实验阶段,通过对所提出的模型与基线模型的对比实验、以及自身的消融实验证明,Transformer编码器和情感词嵌入能有效提高指定情感回复生成的情感准确度和内容相关性。其次,针对现有对话生成模型易生成通用回复的问题,本文提出基于生成对抗网络的情感对话生成方法。其中生成器采用基于GRU的Seq2Seq模型,在解码时嵌入情感词向量,促使模型生成情感回复,并引入随机噪声共同输入判别器。通过生成器预训练策略和强化学习策略,使生成器在与判别器的交替迭代对抗训练中,跳出其目标函数引起的局部最优解问题。通过对模型进行消融对比实验并选择最优模型参数,最终实验证明情感词嵌入和对抗训练能减少通用回复的生成概率,提高指定情感回复生成的情感准确度。