随着线上医疗咨询对话数据的积累和智能对话系统等新兴技术的飞速发展,对话式智能疾病诊断得到业界和学术界的关注,可以缓解医疗资源压力并为用户提供及时有效的医疗保健辅助支持,具有重要的理论和现实意义。在对话式智能诊断系统中,如何选择问询的症状,对诊断性能和对话效率有重要影响。实际诊断过程中,用户主动报告的症状往往不足,难以支持准确诊断,需要通过对话询问用户是否具有其它症状,从而形成诊断结论。现有研究主要采用强化学习方法,通过逐步学习真实就诊场景中医生与患者的对话过程,获得症状询问和疾病诊断的策略。虽然强化学习具有处理顺序决策问题的优势,但诊断准确率仍较低,而且数据依赖性强、启动资源耗费大、模型结果不具可解释性。针对上述问题,本文提出一种基于朴素贝叶斯分类的疾病诊断算法,通过模拟医生询问和诊断过程为诊断结果增加可解释性,并针对症状询问环节提出一种基于症状集差异的症状筛选算法,最后基于真实数据评估了算法。此外,本文实现了一个能够满足居民常见咨询需求的医疗对话机器人。本文的具体贡献如下:（1）针对强化学习在智能诊断过程中存在的可解释性差、启动资源耗费大等不足,提出一种基于朴素贝叶斯分类的疾病诊断算法。该算法以朴素贝叶斯分类为核心诊断环节,通过本文所定义待确认疾病列表的动态更新,将症状询问和疾病诊断分类有机结合,实现智能诊断的全流程。（2）针对疾病诊断算法中的症状询问环节,提出基于症状集差异的症状筛选算法。该算法借鉴了真实医疗诊断过程中排除患病概率次高疾病的思路,结合二分查找思想,通过疾病症状集的交并运算,实现在较少的询问轮数下,筛选出最能区分疾病的症状,为最终的朴素贝叶斯分类提供决策依据。实验证明,本文提出的症状筛选和疾病诊断算法,在MZ数据集和DX数据集上的疾病诊断准确率分别达到了92.25%和95.19%,相较基线模型KR-DS分别提升了19.25%和21.19%。在DX数据集上的平均对话轮数为3.04轮,比KR-DS减少了0.32轮（9%）。（3）具体设计和实现了一个医疗对话机器人。通过构建包含有100个疾病及其药物、食物、症状、科室等属性的知识图谱,使对话机器人能够根据医学知识图谱,实现8种医学咨询功能,涵盖疾病预防、疾病治疗以及疾病就医指导三个场景,满足居民的常见咨询需求。本文提出的症状筛选和疾病诊断算法以及构建的对话机器人,有助于推动医疗对话系统的发展和应用,具有一定的实际意义。图19幅,表15个,参考文献43篇。