人机对话,主要目标就是希望机器能够与人类进行流畅、自然的对话,从而便利人类的生活,满足人类的需求。为了增强对话质量,使机器生成的语句更像人类发出,涌现出了各种各样的人机对话系统。但是,在开放域中,如何能让机器清楚理解人类意图,明确对话目标,仍是一直在攻克的难关。因此,本文主要关注在开放域中的对话生成,该任务旨在生成更符合逻辑,与上下文衔接更紧密,更具有主题性和多样性的回复内容。本文的主要工作如下:（1）基于显式主题增强的单轮对话生成技术研究。现有的一些对话生成方法虽然都关注到了主题相关性,但是在开放域中进行对话,涉及到的话题广泛,如何能使答复内容与源句在主题上高度相关仍是研究人员一直在探索和解决的难题。在开放域中,现有的对话系统在生成句子时对主题的关注不够充分,从文本中提取的主题词序列在加入模型时不注意对信息的筛选,极易造成较大的语义误差。针对该问题,本文构建了基于显式主题增强的单轮对话生成模型。对话过程中通过多种方式探索合适的词向量,着重考虑两个句子之间语义信息和主题信息的一致性,致力于生成语义连贯主题一致的高质量对话内容。本章对该模型做了一系列对比实验,结果证明,该模型在生成对话的质量上有一定程度的提高。（2）基于信息交互和话题扩展的多轮对话生成技术研究。在提高了单轮对话质量的前提下,我们着眼于对多轮对话的研究。现有的多轮对话,虽然会注意到回复内容与上下文之间的衔接问题,但是却忽略了对主题的扩展,导致会倾向于生成“嗯嗯,好的”、“我知道了”、“好吧好吧”之类结束话题的句子,并不适用于日常的闲聊对话。针对该类问题,本文提出了一个基于信息交互和话题扩展的多轮对话生成模型,该模型构建了回复内容和上下文之间的信息交互,保证了回复内容与上下文之间的语义一致,设计了话题扩展模块,用于在对话过程中的话题扩展,使得人机交流能够持续进行,同时还利用CVAE的思想,构造新的先验网络和推理网络,提高了回复内容的多样性。另外,我们让模型对任意位置上的内容进行生成,并还需和上下文能够衔接,进一步加强了模型的理解能力,最终,在LCCC数据集上进行了实验,实验结果表明,该模型具有一定的优越性。