随着移动互联网的迅猛发展以及深度学习等新兴技术的应用,语音识别已经进入基本实用的阶段。口语语义理解作为语音识别和后端应用的接口,被迫切需求,也变得越来越重要。国内外的高校以及研究机构很早就对口语语义理解展开了丰富的探索和研究,从基于规则的方法向基于统计机器学习的方法,语义理解的性能得到了很大的提升;然而在提高口语语义理解对于语音识别错误的鲁棒性和面对对话领域扩展的便携性方面仍有欠缺。本文从这两方面入手,旨在探索可扩展的鲁棒口语语义理解方法,侧重于面向语音识别错误和基于对话领域的可扩展性,寻找新型的解决方案,使得口语语义理解能在实际使用中给用户更好的交互体验。本文采用基于领域分类的语言模型选择方法,显著提高了语音识别的准确率,间接提高了口语理解系统的鲁棒性。针对对话领域扩展,本文采用了数据扩充、领域无关的语义得分重估的方法,显著提升了领域扩展时的口语语义理解性能以及对话状态跟踪性能。