随着人工智能技术的发展,人与智能设备之间的交互方式逐渐趋于智能化,人们可以通过与智能机器人进行多轮的对话交互,从而完成某项任务或某项服务。对话管理作为人机对话系统中的一个重要组成部分,包含了对话状态跟踪和对话策略两个部分。对话状态跟踪模块实时追踪并更新对话的状态,对话策略模块在对话状态跟踪的基础上,分析得出系统响应的动作。对话管理的性能直接影响到对话系统的性能,因此,任务型对话系统中对话管理的研究与应用具有重要的意义。对话状态跟踪任务面临着模块间误差传递和数据稀疏的问题。对话策略模块目前面临的主要问题是缺少训练数据冷启动的问题和如何构建考虑知识库搜索结果的对话策略模型的问题。本文针对上述问题开展了一系列工作,主要内容包括:针对对话状态跟踪中误差传递和数据稀疏的问题,本文构建了自然语言理解和对话状态跟踪的联合模型。模型使用基于双向循环网络的编码器,对系统动作、用户话语和候选槽-值对进行编码。在公开英文数据集和自有中文数据集上的实验结果表明,本文提出的模型取得了比现有模型更好的性能,在联合目标准确率上较对比模型分别提升了17.5%、4.6%、3.9%、4.1%、0.2%。模型有效地缓解了数据稀疏问题。针对对话策略任务面临的冷启动问题,本文提出了一种融合马尔科夫决策过程与属性信息熵的对话策略算法,构建了考虑知识库搜索结果的对话策略模型。在音乐搜索领域的多轮对话数据上进行实验,结果表明,融合算法能够提升前三轮对话任务完成率,并且有效地缩短歌曲查询任务的对话轮次,分别比随机策略、基于规则和基于信息熵的对话策略缩短了2.24、0.84和0.03个对话轮次。最后,将本文提出的对话状态跟踪模型和对话策略算法应用在基于多轮对话的音乐搜索系统中,实现了对话系统中的对话管理部分。通过演示系统的功能,验证了基于层次化结构编码的对话状态跟踪和融合马尔科夫决策过程与属性信息熵的对话策略在任务型对话系统中的可行性。