近年来,深度学习和自然语言处理技术的进步已为人机对话深度赋能。各类对话产品已走进人们的生活,其中帮助人们完成各类任务的任务型对话产品应用空间广阔且备受欢迎。任务型对话中,目标任务的完成依赖系统对背景知识的利用。现有的任务型对话研究大都基于单一形式的知识,多种类型知识的混合利用还较少。其中,对非结构化知识的利用有句子相似度计算和单主题解码两种方式,后者对知识的检索准确度更高,但在基于非结构化知识的一轮对话中,单主题解码方式无法应对用户同时提出的多个需求。此外,出于人们的对话习惯,自然语言中存在实体信息省略现象,这种现象会阻碍模型对知识的利用。仪器领域中的任务复杂多样,智能技术的融入可以为任务的完成带来效率上的提升,目前任务型对话在这一领域的应用还很少。基于以上问题,本文展开了研究并提出了相应的解决方案。本文首先针对现有的非结构化知识利用方式无法在一轮对话中解决用户所提多个需求的问题,提出了多主题解码方案,通过设计主题槽和在每一轮对话中对预设主题槽解码,实现了将多个用户需求映射为多个主题。在模型层面,利用GRU、注意力机制构建模型,通过上下文和主题槽的交互实现对多个主题的解码。最终,模型利用一定的检索方式检索到多个主题对应的非结构化知识并用于响应生成。其次针对用户输入话语中实体信息省略导致模型对实体名称的定位出现偏差,最终导致模型检索到错误的知识,生成错误响应的问题,本文提出了省略恢复解决方案,利用GRU、复制网络及预训练模型BERT构建了省略恢复模块并集成到任务型对话模型中,通过训练学习到存在省略现象的对话与完整对话形式之间的关联特征,使得模型具备将被省略实体名称恢复出来的能力。最后,本文对仪器领域电路设计过程中电子元器件选型的任务需求进行分析,发现该任务与当前任务型对话系统中目标任务的完成思路相似,任务型对话系统的加入可提高工作效率。本文构建了元器件相关的知识库和数据集,并在当前研究工作的基础上,构建了用于完成元器件选型对话任务的原型对话系统,具备了通过多轮对话向用户推荐满足其需求的元器件的能力。