人机语音交互作为一种友好的交互方式,是人工智能领域的重要研究方向之一。由于语音信号的复杂性和环境噪音干扰因素的存在,人机语音交互的研究仍难以达到人与人之间连续交互的水平。传统方法实现的人机交互系统已经无法满足人们同机器进行多轮深层次交互需求,为了实现更加友好的人机语音交互方式,本文应用深度学习算法,设计并实现了一套基于语义的人机交互系统。主要研究内容包括:（1）基于语义的人机交互系统总体方案设计。在对当前人机语音交互系统的研究现状进行研究梳理的基础上,根据基于语义的人机交互系统的功能需求和性能指标要求,设计了基于语义的人机交互系统的总体方案。该系统由语音识别、语音合成、单轮交互和多轮交互四个模块组成。（2）语音识别与语音合成。本文将深度学习算法与传统的隐马尔科夫方法相结合,完成了对开源微博数据中的部分日常对话数据的语音识别测试,其平均词错误率（Word Error Rate,WER）保持在4.09%以下。利用Pixel CNN架构的Wave Net对上述的开源微博文本数据进行语音合成测试,其均方根误差（Root Mean Squared Error,RMSE）仅为0.121。（3）单轮与多轮语音交互模块设计。对于单轮交互模块,本文爬取维基百科上的名词条目及其释义作为数据集,利用Sequence to Sequence模型实现名词问答机制,实验测试平均准确率达到98.6%。多轮交互相比单轮交互更为复杂,本文以开源的微博数据作为多轮交互数据集,利用Generative Pre-Training（GPT-2）模型训练多轮交互模型,得到的最佳模型在实验中精确率、召回率和F1-Measure等评价指标数值分别达到0.81、0.85、0.83,Greedy Matching数值达到0.6531。（4）人机界面设计、系统功能与性能验证。本文利用Python提供的wx Python GUI库进行了系统人机界面设计。之后,本文针对方案中提出的功能需求和性能指标进行了实验验证。最终实验结果表明,本文所设计的系统在有效工作范围内,平均语音识别准确率达到98.1%,单轮和多轮交互功能模式下系统整体响应时间保持在3s以内,系统功能和性能达到了方案设计要求。