对话系统(Dialogue System)是一种通过自然语言与人进行交流沟通的人机交互系统,它被定位为未来各种服务的入口。在娱乐、在线客服、教育和个人助理领域都有广泛的应用,具有重大的研究意义和应用价值。传统的对话系统一般基于检索的方法设计,存在知识库难于维护、可扩展性差等问题。针对这一问题,本文将基于深度学习的端到端的方法与基于案例推理(Case-based Reasoning,CBR)的方法相结合设计对话系统,有效降低了维护知识库和规则的成本,同时提高了对话系统的可扩展性。首先,本文利用序列到序列(Sequence to Sequence,Seq2Seq)的方法搭建对话模型,然后利用强化学习对Seq2Seq模型进行进一步优化训练。最后将生成式对话系统与CBR推理机结合,并将对话系统应用于智能机器人水果分拣系统。论文的主要工作包括以下几个部分:(1)研究了模型结构、模型求解算法对Seq2Seq模型生成对话的影响,并通过选择最优的网络结构、参数搜索策略、引入注意力机制(Attention mechanism)和优化目标函数等手段,降低模型的训练时间,提高模型生成对话的准确性。(2)利用强化学习改善Seq2Seq模型中生成对话短、回复无意义的问题。并根据智能机器人的实际需求,设计新的奖励函数。利用中文字幕语料训练模型,通过分词手段提高模型生成对话效果,提出一种基于三元组的评估方法对模型进行评估。(3)将CBR推理机与Seq2Seq模型结合,实现了一种基于深度学习的对话系统,并将该系统应用于智能水果分拣任务。最后从任务完成率、回复流畅度、用户满意度这三个方面对对话系统进行测试,验证了对话系统的可靠性及智能性。