对话系统是自然语言处理领域一个重要的研究课题。越来越多的服务商使用智能对话系统来帮助他们减少人工开销。同时,也有越来越多的用户愿意使用智能对话助理来帮助他们完成日常的各项工作。特别是近年来,随着深度学习等技术的发展,面向开放域的对话系统逐渐成为了研究热点。为了设计更好的对话系统,对系统生成的应答进行质量评估,是研究过程中不可或缺的一步。一个好的评估方法,将有助于缩小机器对话与人类之间的差距。然而,在面向开放域的对话系统中,自动化评估一直是一个悬而未决的问题。相关研究表明,该领域现有的评估方法与人类主观评估相关性较低。这些方法无法评估对话系统是否生成了内容相关的、信息丰富的对话。为了应对这一挑战,本文设计了一个面向信息的对话评估框架来模拟人类的主观评估过程。同时,我们基于该框架,设计了一个基于启发式规则和一个基于深度学习的对话评估模型。基于启发式规则的模型通过句子的依存语法关系,来快速提取对话中存在的主要信息。同时,该模型利用预训练的词嵌入模块来获取信息三元组的向量表示,并通过一个贪婪算法计算出最终的匹配分数。在Reddit和Weibo数据库的实验中,基于启发式规则的模型能够提高开放域对话系统的质量,同时能够正确地区分出不同对话模型性能的差异。另外,基于深度学习的模型利用Bi-LSTM和自注意力机制设计了一个多三元组提取的网络模型。该模型相比启发式规则的模型能够提取对话中更多的信息。同时,这些三元组序列将通过一个基于多三元组和惩罚机制的匹配算法,来得到更为准确的评估分数。在Twitter和Weibo数据库的实验中,该模型同样能够提高开放域对话系统的质量并且能正确区分出不同对话系统的性能差异。在与人类主观评估的相关性实验中,该模型比起主流的评估算法取得了更高的相关性。