随着人工智能研究的不断发展,如何实现更好的人机交互成为目前的研究热点,而大多数工作则着眼于通过机器人性化以达到增强交互作用的目的。人机交互形式多样,研究最为广泛的便是人机会话,机器人性化则表现为机器可以在人类层面上与用户进行交流互动,能理解人类情感,并在情感层面上回复用户。人机会话的技术有很多,目前被广泛使用的技术大多为基于深度神经网络的序列到序列模型。但是这些技术的实现均采用单种神经网络,并且在会话生成中没有考虑情感因素的影响。基于此,本文提出了基于混合神经网络的人机情感会话研究,主要研究内容如下:构建基于混合神经网络的人机会话模型。分析三种神经网络(循环神经网络、长短期记忆网络和卷积神经网络)所具有的优点,充分利用它们在文本处理上的优势,更好的解决序列到序列问题,实现更好的人机会话。首先根据每个神经网络所具有的特点,对原始语料进行长短划分,然后在不同的子数据集上分别训练测试由不同神经网络组成的单一模型和混合模型,分析评价每种模型的性能,并得到最优的人机会话模型。研究情感因素在人机情感会话中的重要作用。为了使人机会话更加类人化,在会话生成过程中考虑情感因素的影响,具体表现为会话语料情感类型的加入。在基于混合神经网络的人机会话研究的基础上,加入会话和回复的情感类型,分析情感类型的加入对会话情感转变的影响。提出基于多维扩展特征和深度信念网络的文本情感分类模型,研究文本情感分类准确率对人机情感会话在情感层面的影响。该模型是由一层分类限制玻尔兹曼机和几层限制玻尔兹曼机叠加构成,并且通过实验确定文本特征维度、模型最优形状和深度。利用该模型对上述会话语料重新进行情感标注,然后重新训练人机情感会话模型,最后对会话模型的回复采用分类器和人工判定两种情感分类方式,分析了情感分类准确率对情感会话的影响。