对话是人与人之间交流的重要方式,同时也是人机交互的主要手段。随着人工智能技术的发展,对话生成技术也得到快速发展,但其仍不能满足人们日益增长的生活需求。研究基于神经网络的对话生成新技术,对促进对话系统和人机交互技术的发展具有理论价值和实际指导意义。目前,基于深度神经网络的对话生成方法已经取得了较大的进展,但仍存在一些问题需要探索:（1）现有的端到端对话生成模型容易生成通用性回复,并且生成的回复包含有用信息较少且多样性较差。因而如何生成富含较多有用信息、多样的回复成为实际应用中亟待解决的问题。（2）人与人之间的交流是富含情感的,而现有的对话生成模型缺乏共情能力。因而,构建多轮情感对话生成模型成为一个新的研究热点。（3）性能优越的对话生成模型依赖于大规模高质量的对话语料,尤其是在面对新领域时,较少的对话语料会导致其性能严重下降。因此,低资源场景下对话生成方法的研究成为迫切需要解决的问题。面对对话生成现存的问题,本文深入研究基于神经网络的对话生成方法,围绕生成富含有用信息且多样回复的对话生成模型、多轮情感对话模型以及低资源对话生成模型的解决方案开展研究,研究方法及成果总结如下:1、针对现有对话生成模型生成的回复有用信息少且多样差的问题,提出了两种主题感知的分层隐变量对话模型（VHCR-T）,即带有注意力机制的主题感知模型和带有双主题隐变量的主题感知模型。两种模型通过对主题级别的信息提取特征来感知上下文中包含的主题信息,然后将提取的特征输入解码器以生成包含更多信息的回复。同时,两种模型中使用的句子级别隐变量能增加回复的多样性。实验表明,相较于基准模型,VHCR-T可以有效提升回复的信息量和多样性。2、为进一步提升对话回复的信息量同时保持回复的多样性,提出了一种基于知识和多样句法的对抗对话网络（SDAN）。考虑引入知识图谱中的知识增加回复的信息量,但保持回复多样性所使用的语义隐变量可能会影响知识图谱中知识解码的准确性。因此,为了实现增加多样性和保持知识解码准确性之间的平衡,该网络引入多样的句法信息用于生成句法多样的回复,同时不会影响到知识解码的准确性。此外,SDAN还引入对抗生成网络到语义编码模块,以确保语义编码模块不包含句法信息,从而保持句法的可控性。实验表明,SDAN在保持回复语义不变的基础上,既能保持知识解码的准确性,又能提高回复的多样性。3、针对生成具有共情能力的回复问题,提出了一种多轮情感对话模型（MECM）,该模型在分层隐变量模型的基础上增加了一个情感隐变量,用于建模上下文之间的情感传递过程。同时,引入了一个情感分类器,一方面用于增加对话过程中模型的情感识别能力,另一方面用来指导情感隐变量。此外,采用多任务学习的思想,将情感识别和对话生成两个任务同时训练以增加对话生成的效果。实验结果表明,MECM相较于基准模型,既能提高回复的语义相似性,又能极大地提高回复的多样性和情感表达的准确性。4、针对低资源场景下的对话生成问题,提出了一种基于逆课程学习的多源低资源对话生成模型。该模型首先使用复述生成模型、回译模型和预训练对话生成模型生成基于源数据的增强数据,并将源数据与增强数据融合在一起训练。然后,采用了课程学习、逆课程学习和课程学习+逆课程学习三种训练策略对融合后的数据进行训练。最后,用源数据对训练好的模型进行微调。实验结果表明,相较于基准模型,提出的模型在语义一致性和回复多样性方面都得到了显著的提高。