人机对话交互在人们的日常生活中越来越普遍,甚至成为人们不可缺少的生活习惯。人机对话包括闲聊式对话、问答型对话、任务型对话三种。不同类型的人机对话需要不同的算法模型。本文研究设计基于多模型融合的任务型对话系统,利用Python进行多种模型的仿真。本文首先研究了现有的中文表示方法,包括TF-IDF、word2vec、CWE、JWE、BERT等,并在JWE模型的基础上进行改进提出了多层次JWE模型。此模型通过联合预测目标词汇中的词语、字符、子字符等不同层次的信息,充分利用中文词汇内部的语义信息,提升了词向量在文本分类等任务中的表现能力。其次,在各类词嵌入模型的基础上,研究检索匹配模型的算法流程,包括BM25、WMD、SMN等。在多轮对话应用背景下,提出基于加权SVD分解的句子语义表示算法,此算法首先对句子词嵌入矩阵进行加权,然后对加权矩阵进行SVD分解,保留前k个最大奇异值对应的右向量并相加,得到句子的向量表示。此算法能够保留句子中真实有效的语义信息,去除句子词嵌入矩阵中的噪声。在JDDC数据集上的仿真表明,在BLEU为评测指标下,此算法比直接对句子嵌入矩阵求平均方法提高0.08～0.13,相比TF-IDF加权求平均的方法提高0.05～0.09。最后,研究基于LSTM、Transformer等模块的Seq2seq模型在对话系统中的应用。针对JDDC对话数据集中的高频场景,进行挖掘提炼,得到发票、物流等数十个场景并构建基于规则的对话模块。基于检索匹配模型、生成模型、规则模型,提出新的多模型融合的对话框架。此框架将用户的问题输入到规则模型中产生回复,如果没有匹配到相应的回复,则输入到检索模型和生成模型中,分别产生多个回复,然后输入到重排模型中,选择匹配度最高的回复作为对话系统的回复。此框架充分利用各模型的优点,提高了对话系统的稳定性和鲁棒性。