在种类繁多的自然语言处理任务当中,构建人性化的对话系统是非常具有难度的,而开放领域对话系统更是研究中的重中之重。如何让一个开放领域对话系统具备生成多种多样的回复的能力,以及如何让对话系统在对话过程中保持角色一致都一直是研究过程中需要解决的重难点问题。本文针对上述提到的两方面问题提出了下列具有针对性的改进方案:（1）针对开放领域对话系统的回复多样性问题,本文中提出了一个基于潜在空间条件对抗学习的两阶段对话生成模型（CA-VAE）。该模型首先通过变分自编码器进行句子的潜在表示学习,然后将对话上下文的潜变量加入到潜在空间的对抗学习中,使得该模型的推理网络生成的对话潜在表示能够与对话历史高度相关。最后,将对话的潜在表示通过生成网络生成对话的回复。相关实验结果表明,本文的模型相较于基线模型在多样性方面提升了7%,表明能够生成与上下文更加相关、流畅且丰富多样的回复。（2）针对开放领域对话系统的回复角色一致性问题,本文提出了基于Transformer的角色一致性对话生成模型（PT-CVAE）。该方法利用Transformer结构来构建一个条件变分自编码器模型。通过角色信息融合注意力模块利用对话内容表示与角色信息表示获得带有角色信息偏重的对话内容表示,并进一步通过先验网络将该表示映射成为潜在空间的潜变量表示。然后,通过直接融合和伪注意力两种方式让潜变量参与控制对话回复的生成过程当中。通过实验表明,本文提出的模型相较于其他基线模型生成的回复不仅在角色一致性方面取得了6%的提升,在句子流畅度和相关度上也取得了不错的表现。