随着深度学习技术的快速发展,以深度学习为基础的对话系统有望成为下一代人机交互的一种方式。其中的对话生成是对话系统中最重要的环节之一,也是最具有挑战性的研究问题之一。当前的主流对话系统大多基于序列到序列模型,此模型能够从海量训练数据中自动学习生成回复的逻辑,但是由于模型在生成时仅利用了输入语句中的有限信息,造成模型在生成时往往倾向于生成例如“对不起,我不知道。”这样的安全回复。因此学者们尝试引入外部知识,通过相关知识的指导使模型生成包含更多信息、更有意义的回复。但是其面临着两个挑战:一个是知识的来源,另一个是知识的融入。目前知识的存储常常以知识图谱的形式存在,现存知识图谱中知识的数据量往往十分巨大,因此如何从巨大的知识图谱中选择出合适的知识是一个值得研究的问题。同时,在真实的对话中,人们在进行对话时往往会利用很多条相关知识,“综合考虑”后进行回答,如何合理地融入多条知识指导模型生成回复也是一个很重要的问题。针对以上两个问题,本文开展了如下两个研究工作:（1）提出了一种基于BERT的多轮知识选择模型（MKS-BERT）。MKS-BERT首先设计了多轮对话实体转移算法,同步得到对话的主题实体,根据当前对话的主题缩小候选知识范围。然后,利用BERT预训练语言模型中上下句预测任务与知识选择任务的相似度,使用基于BERT的知识选择器从缩小范围后的候选知识中选择最终要使用的知识。实验表明,相较于传统非预训练知识选择器,其知识选择准确率显著提高。（2）提出了一种基于图神经网络的融入知识对话生成模型（KDG-GN）。目前的知识图谱大多以图的形式呈现,而图神经网络天然擅长处理图结构的数据,KDG-GN在考虑用户输入的情况下利用图神经网络对候选知识子图逐层卷积,得到知识子图的编码向量,这个向量包含了知识子图中知识的相关信息,并最终用于指导对话生成。与对比模型的实验结果表明此模型生成的回复更丰富,语句更自然。