人机对话系统可以使人们以自然语言同机器进行交互。作为任务型对话系统的重要组成部分,对话状态追踪是系统理解用户意图,做出对话策略的基础,其更新正确与否影响整个对话系统的性能。因此,为实现高质量的人机对话系统,对话状态追踪的研究具有重要意义。随着深度学习技术的发展,对话状态追踪研究进步显著,但仍面临以下问题:模型依赖本体进行状态追踪,但本体难以针对槽位预定义所有槽值;模型对未知槽值识别困难。本文针对以上问题进行研究,具体工作如下:（1）为了缓解本体定义困难和未知槽值问题,本文给出依赖部分本体的基于槽位类别的对话状态追踪模型。模型根据槽位特点将槽位定义为可分类槽和不可分类槽,利用融合了对话历史与槽位信息的句子级表示识别槽位状态,根据槽位状态使用文本分类方法或者机器阅读理解方法对对应类别的槽位进行槽值预测,并且使用状态记忆缓解槽值指代问题。实验结果表明本文给出的模型分别在Multi WOZ 2.0数据集和Multi WOZ 2.1数据集取得51.74%和52.37%的联合目标准确率,进一步的实验表明模型具有一定的未知槽值识别能力。（2）针对模型训练过程中出现的对话状态样本不平衡问题,本文使用基于聚焦损失的损失函数改进槽位状态识别任务。针对数据稀疏问题给出基于槽值替换的数据增强方法提高罕见槽值频数,并且对预训练模型进行领域适应使其语义表示更符合对话领域。实验结果表明,数据改进方法提高了模型在对话状态追踪任务的性能,增强模型识别未知槽值的能力。（3）针对本体定义困难问题,本文给出不依赖本体的基于编码器-解码器的对话状态追踪模型。模型利用融合了对话历史与对话上下文的句子级表示识别槽位状态,根据槽位状态使用软拷贝方法从固定词典或者对话输入解码槽值。另外,本文在模型训练过程中使用计划采样方法,弥合训练过程与推理之间的差距,提高模型泛化能力。实验结果表明,模型在对话状态追踪任务中相较于基线模型联合目标准确率提高1.73%,并且具有更好的未知槽值识别能力。