人机对话系统是人与机器交流的新型交互方式,也是人工智能领域的重要研究内容。其中,任务导向型对话系统通过自然语言的方式协助用户完成特定领域的任务,因其广泛的应用场景受到工业界和学术界的关注。传统的管道式任务型对话系统依赖于大量的人工标注,分成几大模块并单独训练,难以适应新的任务领域。随着深度学习的不断发展,端到端任务型对话系统在可扩展性和易部署性方面优于管道系统,是当前任务型对话领域的热门研究方向。然而,现有的端到端任务型对话模型在知识推理方面仍然面临一些挑战亟需解决,例如:（1）实际的应用场景容易出现低频词和未登录词的情况,然而现有模型过于依赖实体嵌入作为实体表示,导致模型的泛化能力不足。（2）任务型对话模型的知识推理能力,即根据上下文对领域知识进行推理的能力非常重要,然而现有模型在知识编码和知识融合方面存在缺陷,导致模型的推理能力不足。首先,针对低频词和未登录词的问题,本文提出了一种基于增强实体表示的序列到序列模型SEER（Seq2Seq with Enhanced Entity Representation）。为了减少对实体嵌入的依赖,本文同时考虑对话历史和外部知识库两种来源的实体,并结合各自的特点获取鲁棒性强的实体表示:（1）对于对话历史的实体,模型学习上下文相关的实体表示。（2）对于知识库的实体,模型学习结构感知的实体表示。另外,本文还提出一种有助于融合两种异构表示进行对话生成的开关网络。然后,针对知识编码和知识融合问题,本文提出一种基于流到图的序列到序列模型FG2Seq（Flow-to-Graph Seq2Seq）。对于知识编码,本文提出一种流到图的操作,不仅能够利用流机制引入上下文的语义信息增强实体表示;而且通过图卷积网络捕获实体与实体之间的关系结构信息。对于知识融合,本文采取先生成后填充的策略,促进解码器更好地融合知识进行对话生成。最后,本文在多个公开的多轮任务型对话数据集上进行了对比实验。实验结果表明本文提出的方法在自动评价和人为评价指标上优于基准模型。此外,本文还通过词表外测试,消融分析、样例展示和错误分析进一步验证模型优点与不足之处。