近年来,多轮对话回复生成任务的研究受到了学术界和工业界的广泛关注,其让计算机能够通过阅读并理解多轮对话的内容,进行逻辑分析从而给出一个契合对话内容的回复语句。一方面,多轮对话生成研究是自然语言处理领域的一项基本研究任务,对其进行深入研究有利于推动人工智能和自然语言领域的发展;另一方面,其可以满足用户交流的需求,在电商领域的应用可以起到降低人力成本的作用。本文主要针对多轮次对话回复生成展开研究,具体包括以下三个方面:首先,针对对话生成模型中多轮对话上下文之间的因果关系的难以把握的问题,本文提出了一种基于上下文相关性检测的回复生成模型。该模型能够从多轮次对话的上下文中挑选出与语境相关的子句,并据此生成回复。模型套用编码器-解码器框架,使用长短时记忆神经网络作为编码器和解码器,同时使用强化学习策略挑选相关子句。实验结果表明,该模型能够有效地挑选出相关子句,性能上明显优于传统序列到序列模型。其次,针对客服对话的生成模型回复质量不高,同时需要大量辅助信息的问题,本文提出了一种基于客服历史对话的回复生成模型。该模型旨在使用历史对话代替传统的知识库,让模型主动的在历史对话中搜寻有用的信息。模型首先对当前目标对话以及历史对话进行编码,在回复生成过程中引入注意力机制和复制机制,并使用门控机制对当前对话的上下文信息和历史对话信息两者进行加权,区别两者在回复生成过程中的重要性。实验结果表明该模型能够从历史对话中捕获关键信息,并生成高质量的回复。最后,针对存在大量无关客服与产品历史对话的问题,本文提出了一种结合并筛选商品与客服历史对话的回复生成模型。首先,我们采用“子句相关度选择模型”来衡量当前对话和历史对话之间的相关性,并从历史对话中提取最相关的子句。同时,我们使用“基于贡献的回复生成器”来衡量历史话语的贡献程度,并融合当前对话和高贡献强相关的历史对话子句以生成客服回复。实验结果表明,我们提出的模型能够生成满足历史对话特征的高质量回复,并且在真实的多轮客服对话数据集上,相较于其他基线模型优势明显。