随着自然语言处理技术的发展,任务式对话系统的应用也越发广泛,其中意图识别（Intent recognition）与回复生成（Response generation）是任务型对话系统中的两个重要的组成部分。意图识别旨在通过对用户的上下文的理解,判断出用户当前的行动目标,而回复生成根据当前的对话状态生成对话内容反馈给用户,使得机器回复内容更加符合对话历史与当前场景。因此,对于意图识别和回复生成的研究有助于构建更加符合用户需求的对话系统。当前,意图识别与回复生成领域仍然面临一些挑战。一方面,在意图识别模型中,系统与用户间的多轮对话历史往往无法得到充分应用,同时由于用户在对话过程中意图会随着用户的需求发生转折,用户当前对话的意图难以判断。另一方面,由于生成模型对于历史信息的感知并不充分,生成的回复内容常常会与对话历史冲突或重复。以上述问题为出发点,本文进行了以下工作:（1）针对当前智能系统对话中存在的意图序列相关的特点以及多模态信息混杂的情况,本文提出一种基于序列的多模态对话意图识别模型。该模型结合了在对话过程中存在的图像信息,通过对话序列捕捉用户的意图变化,并引入图注意力网络优化了对意图序列的编码。在真实电商场景下的实验数据表明,引入图注意力网络的意图序列建模和多模态信息能够让模型更加精准地识别出用户当前对话的意图。（2）现有的回复生成模型忽略了对话历史感知中历史对话动作序列的重要作用,本文针对此提出一种基于对话动作序列的协同生成模型。该模型中将对话动作预测与回复生成视为多任务进行学习,并引入了历史对话动作序列信息。在多轮对话数据集Multi WOZ上的实验数据表明,引入历史对话动作序列后的模型在各项指标上的综合表现具有优越性。（3）本文将序列建模的思想与上述工作中的回复生成模型应用在心理学,开发了一种基于对话策略的情绪支持对话系统,该系统在助人技术理论指导下定制对话策略,通过对话历史选择合适的策略引导回复生成,系统框架基于Django实现,并以Pepper机器人作为典型终端进行部署,能够在用户情绪消极时,为用户提供有效的情感支持。