随着国家经济的发展和交通基础设施的不断完善,近年来高速交通服务业迎来了巨大发展。为了满足高速交通用户的出行需求,交通服务的智能化发展是一种必然趋势。面向交通的智能对话系统应用于全终端高速交通平台,不仅能够解析客户咨询的业务意图并给出相应回复,而且能够通过一连串的对话指导用户达成某一项任务。近年来,基于深度学习的多轮对话系统快速发展,特别是研究者已经设计出了基于预训练语言模型的多样化对话系统,催生了面向交通领域的检索式多轮对话系统的研究,使得面向智能交通领域的信息化服务具有良好的应用前景。但在实际的工程应用中,大量的交通领域知识文本都是非规范形式,使得对话系统语料库的构建存在着难度。同时,对话数据中也存在着话语过长、相关领域的文本难以被理解等方面的困难,导致对话的任务需求无法得到满足。因此,本文针对智能交通领域对话系统面临的问题,研究在较大规模交通数据的场景下如何提升多轮对话模型的检索效果,主要工作如下:第一,设计了基于交通业务连贯性的多轮对话系统模型。针对检索式对话系统中目前没有可供研究的交通语料库,对CMID-Transportation数据集进行预处理,构建了多轮对话语料库,以满足多轮响应选择任务的要求。此外,设计了基于业务连贯性的对话模型,使用业务级别策略和截断法来解决对话中面临的困难。实验结果表明,在面向交通的场景下,基于业务连贯性的多轮对话模型获得了较好的性能提升。第二,设计了基于领域适应和多任务学习的多轮对话系统模型。首先对BERT模型进行后训练,以学习交通数据中更多的交通领域知识。其次,通过引入业务分类这个辅助任务,构建一个多任务学习的对话模型。最后,通过两阶段训练,该对话模型可以学习到领域相关特征,并提高其联合学习能力。实验结果证明了设计的模型获得了更好的检索性能,引入业务分类的多任务学习可以提升响应选择任务的效果。