随着人工智能技术的深刻变革,新一代端到端聊天式对话系统已广泛用于娱乐聊天机器人、个人助手和公司智能客服等实际场景中,成为人工智能领域最具有应用前景的技术之一。与传统的人机交互方式不同,智能对话系统不仅能够理解人类日常交流的语言并作出有意义的回答,还能够通过一系列的对话完成某一项任务。通常地说,端到端聊天式对话系统技术主要分为检索式对话系统和生成式对话系统两大类。生成式对话系统根据已经进行的对话历史利用自然语言生成技术重新生成回复。尽管生成式系统有希望能够不局限于预先建立回复的范围,但是生成式系统也会遭受目前自然语言生成技术所带来的流畅性不足、倾向于回复通用性语句等问题。相比于之下,检索式对话系统主要利用信息检索技术对一组预先建立的候选回复进行打分和返回最合适的回复,在大多数情况中能够提供更加流畅并有意义的回复。然而,预建立的候选语料质量不高会影响检索式对话系统的回复合理性,预建立候选回复的数目种类不足也会显著地降低检索式对话系统的回复多样性。针对上述问题,本文主要以较大规模候选集场景下的检索式多轮对话模型为研究课题,首先提出时空特征匹配网络,研究其在大量候选回复场景下的性能和效率,同时分析时空匹配特征的可解释性和模型的优缺点。通过对比实验和可视化分析,本文证明了基于时空匹配特征的检索式多轮对话模型能在较大规模候选集场景下以更低的时间复杂度达到更好的性能。同时,本文重点关注端到端的检索式对话模型的的语义理解能力,将预训练语言模型引入聊天型对话系统中。本文接着提出交谈者分割机制和多轮对话增强方法提高预训练对话检索模型的性能。通过在多轮对话输入中分割交谈者,引入与讲话人相关的输入特征,并采用特定的数据增强方法生成更多的训练数据,使得预训练对话检索模型能够更好地对多轮对话的连贯性和逻辑性进行建模。对比实验结果显示本文提出的方法超过了大量基线模型,同时实验结果显示在较大规模候选集中也能获得更好的性能提升。