人们能够利用自然语言实现日常情感沟通,并以此达到情感上的安慰效果,而机器如果希望和人类高效的交流情感,就必须兼具一定的情感计算能力,在对话过程中识别说话者的情感,以便生成情感内容更丰富的回答。尽管研究人员已经提出了多种对话生成的方法,但过多关注生成句子的准确性,忽略了情感和主题的融合。因此,本文基于话题扩展情感对话生成技术的研究,不仅可以生成包含特定情感的内容,还可以确保生成的内容与对话主题相同。本文首先对实验数据做了预处理,其次,采用多模态方法将情感对话文本与用户属性特征相结合,提高了识别用户情感的准确率,最后,使用序列到序列模型生成带有情感与主题的句子中,提高了回复的多样性和相关性。本研究的主要工作和贡献如下:（1）数据集的质量对实验模型的效果起着关键作用,构建模型之前需要对获取的数据进行预处理,进而提高数据质量。首先对数据集进行预处理及可视化展示,其次使用EDA技术进行了数据增强,最后通过对比实验建立了情感对话识别实验中的预训练模型。本研究通过数据预处理和数据增强技术,将处理后的对话数据集和选择的预训练模型提供给后续实验。（2）针对情感对话识别模式单一且准确率低的问题,提出多模态的对话文本情感识别模型（U-Bbert）,利用非结构化对话信息和结构化用户属性,提高对话文本情感识别上下文语境理解能力,准确推出情感类别。Bert-Bi LSTM结构通过提取情感对话文本的上下文特征,结合用户属性构造实验混合特征集,并采用随机森林算法对混合数据分类。实验结果表明,U-Bbert模型较其他基准模型情感提取的准确率显著提高,证明该模型可用于多模态对话文本情感识别,具有较好的效果。（3）为了使机器能够生成更丰富的情感内容和更相关的话题,提出基于联合解码的话题扩展情感对话生成模型（TECM-JD）。Twitter LDA算法提取主题词作为附加输入,解码器中的情感和内容模块,使对话生成的回答中包含和输入保持一致的主题与内容。实验结果表明,TECM-JD模型可以生成更多与主题相关且更丰富的情感内容,结果具有良好的性能,优于传统对话模型。