人机对话是人类与计算机之间进行交互的主要方式之一。其中,任务型对话系统通过与用户进行对话帮助用户完成预定任务,以其简单便捷的特点被广泛应用。自然语言理解是任务型对话系统的关键模块,其包含意图检测和语义槽填充两个任务,为后续模块提供语义理解支持。现有的对话语言理解方法大多需要收集大量领域特定的标注数据进行训练,才能达到较好的性能。然而随着对话任务场景的快速增加,往往在新领域难以获取到如此庞大的训练数据,因此仅需少量目标领域标注数据的小样本学习方法逐渐成为研究重点。而目前对话理解中的小样本学习方法发展还不够成熟,如何有效利用已有知识,在小样本场景下进行快速学习仍是对话理解模块的具有很大实际意义的挑战。本文的主要研究内容是面向小样本的任务型对话理解,提出使用标签增强与因果干预的方法解决现有问题。针对小样本情况下难以学习到意图检测和语义槽填充任务之间泛化关系的问题,提出了一个标签增强的小样本对话理解联合模型,通过在两个任务之间加入双向标签增强的门控机制,使模型能够有效地表达意图和语义槽之间的关系。在Few Joint公开数据集上的实验结果表明,该联合模型的性能相对于基线方法在各项指标上均有显著提升,并验证了基于双向标签增强门控机制的联合模型框架可以提升多种小样本学习方法的性能。针对标签增强的联合模型在源领域学习的大量知识会对模型在目标领域上学习新知识产生误导性的问题,提出了一个基于因果干预的小样本对话理解方法。通过提出小样本对话理解的结构因果模型,分析造成样本特征与类别标签之间非因果相关性的混杂因子,进而提出了一个基于后门调整的因果干预实现算法,消除混杂因子的影响,使模型能够学习到输入与输出之间真正的因果关系。通过对比实验验证了将干预算法应用于小样本对话理解模型的有效性。最后,将标签增强的小样本联合模型与因果干预算法相结合,提出了基于因果干预与标签增强的小样本对话理解联合模型,进一步提升了整体模型的语义理解能力。实验结果显示,最终的联合模型在Few Joint和Snips两个数据集5-shot设置上的语句准确率分别提升了18.20%和5.60%,达到了最佳的性能。