受互联网技术的覆盖以及移动端设备激增的影响,人工智能逐渐渗透到人们商业生活的方方面面。对话系统作为人工智能领域下的重要产物,得益于数据的支持以及深度学习技术的进步,也逐渐向更人性化方面发展。对话系统从特定领域下的任务型逐渐发展到开放领域下的聊天型,从固定规则下的检索型发展为Seq2Seq框架下对话生成型。综合国内外研究现状,基于生成的对话系统能够脱离规则的束缚生成数据库中没有但合理的回答,且模型的迁移性好,灵活性高。但当前对话生成模型仍存在过度依赖特定数据集、回复单一、信息含量低、逻辑混乱等问题。针对当前问题症结所在及对话系统需求,本文从对话上下文以及知识图谱出发探究聊天型对话系统的回复生成,主要工作如下:（1）显式加权上下文。为充分利用对话数据中的历史信息进行对话生成,本文在上下文利用中引入点互信息算法,通过寻找对话上下文与当前对话之间的依赖性作为对话上下文的相关值,并进一步借助拼接与求和两种方式实现上下文融合,最终实现基于显式加权上下文编码的对话回复生成。该方法的关键在于通过句子间相关性计算,从而使模型关注与当前对话高度相关的上下文信息。（2）背景知识感知。为解决对话生成中知识含量低、回答单一的问题,本文引入外部知识图谱,一方面弥补对话系统在与人对话中背景知识匮乏的缺陷,另一方面实现上下文信息的充分利用。在具体实现上,首先根据当前对话初步检索相关知识,但检索知识中存在与当前对话无关的信息,这不可避免地影响回复生成的质量。因此本文基于与当前对话高度相关的上下文编码在已检索知识上进行选择,进一步将相关上下文以句子形式扩充到已选择知识结构中进行回复生成。本文首先通过点互信息算法完成对话上下文的显式加权,实现了对话生成中对话上下文语境的有效利用,并且通过具体的实验分析来看,本文所构造的显式加权上下文的编码模型能够捕捉到更丰富的对话信息,从而生成更多样化且流畅的回复。进一步,为弥补对话生成中背景知识不足的问题,本文从当前聊天式对话系统的需求出发,研究开放领域下对话上下文以及知识图谱结合下的对话生成算法,最终本文模型在中英文数据集上的评估均表现突出,优于最先进的方法CCM,并且通过案例分析来看,本文所构建的基于背景知识感知的对话生成模型为对话生成增加了知识性信息,从根本上解决了对话生成回复的单一性问题。总体来说,本文围绕对话上下文以及背景知识感知的研究推动了对话生成系统的人性化发展,也为后续人工智能产品的研究提供研究价值。