随着互联网的飞速发展以及智能手机的普及,对话系统的发展进入了重要的历史阶段。意图分类是自然语言理解(NLU)系统中的一项重要任务。本文从单轮对话句子级意图分类和多轮对话文档级意图分类的角度进行了进一步研究和探索。在单轮对话意图分类方面,近年来,一些模型开始联合处理意图分类和填槽任务。但是,大多数的联合模型需要大量人工标注的槽位数据样本。因此,本文提出了意图分类和命名实体识别的联合模型。本文使用工业强度的自然语言处理工具spaCy为基准数据集生成命名实体标签,不需要人工标注命名实体识别标签。该模型可以在命名实体标签中学习到更多的语义信息,进而提高模型在意图分类任务上的性能。命名实体识别的标签体系相比于填槽的标签体系具有更高的通用性,相同的命名实体标注标准可用于许多不同的领域和意图。在三个基准数据集上,意图分类和命名实体识别的联合模型实现了比意图分类和填槽的联合模型更好或相似的性能。在许多实际场景中,用户可能需要与系统进行多轮对话才能够使系统正确的完成一个任务。也就是说,在多轮对话中,有时用户的真实意图只有一个,也可以将此意图称为原始意图或真实意图。因此,文本在多轮对话中提出了文档级意图分类任务,用于检测用户在多轮对话中的原始意图。参考哈尔滨工业大学整理的标签体系,本文对Stanford&Ford In-car-assistant数据集中的意图进行二次标注,将意图数量从3个增加到21个。在多轮对话文档级意图分类任务的中,文本探索了层次化双向LSTM和非层次化双向LSTM模型的不同性能,并提出了一种层次化自注意力模型。实验证明,与单轮意图分类模型相比,层次化自注意力模型获得了有竞争力的结果。