近年来,得益于大规模易获取的对话数据以及深度学习在对话系统上的成功应用,基于神经生成模型的开放域对话系统受到了越来越多的关注。早期的开放域对话系统主要基于规则,其扩展性较差,并且需要大量的人力来编写规则。而神经对话生成模型能够充分利用大规模对话数据来学习有意义的特征表示和回复生成策略,无需编写大量的人工规则。尽管神经对话生成模型在开放域对话任务上取得了巨大的成功,但其同时也面临着一些新的挑战。其中,通用回复是最为普遍的一个问题。根据现有的研究,我们发现有三个重要因素导致模型容易生成通用回复:(1)现有的神经对话生成模型通常为输入信息和输出回复构建一个一对一的映射,然而在实际场景中,输入信息与输出回复是一对多的关系;(2)大多数对话数据集中的回复样本分布极其不均匀,同时现有的模型直接使用极大似然估计(MLE)进行优化,这会导致模型倾向于学习一些高频的通用回复;(3)现有的对话生成模型缺乏对用户意图的捕捉能力以及无法控制生成回复的全局结构,造成模型无法理解用户深层次的意图且容易生成不相关且句式单一的通用回复。本文主要针对开放域对话生成任务,旨在解决神经对话生成模型中的通用回复问题,提高其生成回复的多样性和信息量。基于上述观察,本文的研究内容主要包括:(1)针对对话数据的一对多特性,我们基于强化学习提出一种新的对话生成模型,其在训练时能够考虑一个输入同时存在多个合理回复的情况:(2)我们在CVAE模型中引入了一个可解释的离散隐变量,并且通过优化数据的对数似然下界来解决当前生成模型使用MLE进行优化所带来的高频回复问题:(3)我们在基于CVAE的对话生成模型中引入能够表示用户意图的句子功能特征,使得模型能够有效地识别用户意图和控制生成回复的全局结构。