近年来,随着计算机计算能力的飞速提升以及大规模可用数据的出现,人工智能技术得到了大踏步的发展。其中,对话系统作为人工智能中重要分支--自然语言处理（Natural Language Processing,NLP）的主要研究方向之一,也逐渐受到学界和产业界的关注并成为当前的研究热点。目前,针对对话系统的研究虽然取得了一定的进展并将相应的技术成果应用于客服对话、法律咨询、虚拟助手等实际场景中,但是仍然面对着来自数据、算法、优化等方面的挑战。本文主要就闲聊对话系统生成回复的角色一致性和多样性展开研究。对于人类来说,在日常生活中基于自己的个人特点进行有趣多样的交流是十分自然而然的事情,但是这对于一般的对话系统来说却是十分具有挑战性的事情。目前,已有的对话系统模型很难在生成多样性回复的要求下还能很好的维护给定的角色信息,它们大都只是针对回复多样性和角色一致性其中之一进行研究,但是这对于日常中的对话系统来说,回复缺乏角色一致性会降低系统可信度而缺乏多样性则会影响人机交互的趣味性以及可持续性。因此,本研究同时考虑提高回复的角色一致性和多样性。研究内容具体包括以下几个方面:（1）探究回复多样性研究和角色一致性研究的有机结合方法:单纯依靠单一端到端的模型很难实现多样性和一致性表现的统一。本文从多级回复生成模型出发提出了两级回复生成框架,在回复多样性和角色一致性两者之间起到了衔接的作用,在此框架下我们最终提出的回复生成模型成功实现了同时提高回复的多样性和角色信息一致性。（2）探究回复多样性提升方法:首先,通过对已有多样性提升方法的对比分析并结合本研究的具体需求,我们选择基于条件变分自编码器（CVAE）的方法作为本研究中回复多样性建模的基本方法。然后,我们针对该类方法最新的模型在回复角色信息一致性上的不足,提出了在角色信息引导下的多样性回复生成模型。该模型通过将当前对话用到的角色信息作为先验知识参与隐变量的编码,以增强模型对不同回复中角色信息的感知,这有利于隐变量在给定角色条件下对多样性回复的建模。（3）探究角色一致性提升方法:为进一步提高多样回复的角色一致性,我们在两阶段回复生成框架（Two-stage Response Generation Framework）下,提出了新的角色一致性检测及改写模块,即利用预训练模型BERT对生成回复的角色一致性进行检测并标记出不一致的单词,再结合指针生成网络通过二次解码将不一致的地方进行重写,得到最终的角色一致性和多样性兼顾的输出回复。我们使用客观和主观评价指标相结合的方式对提出模型的表现进行评测。实验表明,我们提出的模型不仅继承了原有基线模型在多样性上的优势还明显的提高了回复的角色一致性,证明我们提出的方法是有效的。