对话行为描述了话语本身的语用功能并且可以间接地反映出说话人的意图,其对于理解人类的话语至关重要。对话行为识别(Dialogue Act Recognition)作为对话系统、机器翻译、语音识别等应用中重要的组成部分,近年来引起了研究人员的广泛关注并且取得了显著的成就。但是对话行为识别研究领域依然存在许多难点和挑战有待突破,例如:日常用语中用词随意,句式混乱,对话组成结构复杂等问题导致语义推断困难,使得深度学习模型难以训练。并且现有的大多数模型仅关注话语本身,而忽略了对话行为标签中所蕴含的统计信息,这使得识别精度难以提高。为克服上述数据集和现有方法中存在的问题,本文提出了两种基于深度学习的对话行为识别算法:(1)针对话语本身用词随意和句式混乱的问题,提出了基于语义推理的对话行为识别算法。该算法通过引入循环语义推理过程计算出准确的话语语义表达,该过程采用多重注意力机制和语义更新机制通过结合话语本身及上文信息来推理话语的语义信息。(2)针对对话组成结构复杂以及现有方法缺少标签统计信息的问题,提出了融合标签信息的对话行为识别算法。该算法首先采用层次映射的方式将标签映射至单词层面、话语层面以及其本身的标签层面,并且以向量的形式表现。然后这三种层面的向量分别被添加至网络的不同地方以达到寻找关键字,提供上文语义信息和通过语用功能匹配指导模型分类的功能。我们将本文提出的模型与现有方法进行了比较,实验结果表明使用本文提出的语义推理过程和标签融合方法都有效的提升了识别结果,在使用信息相同的条件下本文提出的模型达到了最高的精度,并且在不使用下文信息的条件下获得了与最新模型相当的性能。