对话系统作为人工智能领域一个非常重要的研究子领域,也是人机交互领域中具有挑战性的一项重要任务。开放域的对话系统以闲聊的形式与用户进行不限定目的、不限定话题、不限定领域的交流,能为用户提供更自然化、人性化的人机交互体验,成为近年来众多研究者广泛关注的研究课题。目前以序列到序列模型为基础的开放域对话生成系统已经在对话生成任务取得了长足的进步,但是这类模型仍然存在容易生成琐碎且通用的回复、对话内容缺乏一致的人物个性的问题。为了解决这类问题,个性化对话系统被研究者们发掘并被证明对于实现自然真实的对话系统至关重要。个性化对话系统的目标是让机器人利用预设的个性化信息,生成既符合人物个性,又与上下文语境保持一致的高质量的回复。然而,现有的个性化对话生成模型在复杂对话场景下的表现仍然存在一些缺陷,现有工作主要存在以下两点不足:1)个性选择的准确率较低,生成回复中的个性特征不符合当前对话语境;2)个性化信息利用不充分,难以生成个性化信息丰富的回复。基于上述问题,本文以提高个性选择的准确性和充分利用个性为切入点,对开放域对话系统的个性化回复生成方法进行研究,主要研究内容包括:（1）提出基于语境增强的个性化回复生成方法。首先通过提取上下文中与对话主题和个性相关的关键信息对上下文的语义特征进行增强,以提高个性选择的准确性。其次在解码阶段设计了个性化信息注意力机制促进个性化信息在回复中的生成。此外,该方法通过标注个性化文本标签给模型添加了额外的针对个性选择的交叉熵损失,进一步选择正确的个性。（2）提出个性增强的双重交替学习网络。该方法包含了两个有着不同学习目标的对话生成子网络,其中一个子网络学习选择合适的个性,并确保生成的回复与上下文语义的相关性,而另一个子网络学习通过减弱对话上下文中特定内容的干扰来提高生成回复时个性化信息的贡献。两个子网络共享同一个编码器—解码器骨干并且通过多任务交替训练的方式让模型分开学习个性选择和个性嵌入两种能力,从而在回复生成更合适更丰富的个性。本文在个性化对话任务的公开数据集Persona-Chat上进行了实验验证,实验结果表明与现有的对话生成模型相比,本文提出的方法可以有效地提高生成回复的多样性和个性化程度。