目前很多依赖递归神经网络的对话系统,基本上都是需要大量密集并且标注完成的数据来进行模型的训练。混合编码网络模型（HCN）是一种面向任务通信的对话系统。HCN让开发者可以通过软件和模板操作来传达自己所学领域的知识,与现有的端到端方法相比,HCN可以在一定范围内提高对话系统训练的实用性和训练效率,但也存在一定的局限性,如由于特定领域的小众与独特性,不具有大量的训练样本,传统的混合编码网络模型在小样本数据训练情况下,捕捉用户意图与语义分析方面存在局限性;传统的混合编码网络模型需要大量的人工参与,因此当新领域数据集的特征复杂且对话形式多样时,需要较多的迭代次数与复杂的数据处理,才可达到不错的训练效果,因此很难将HCN模型应用到新领域。本文通过深入挖掘序列数据中的时间信息,获取序列对话数据中的深层语义信息,对HCN模型进行改进,提出两种新的网络模型来对传统的混合编码网络模型HCN进行改进,即TA-HCN-BERT（Time-Aware Hybrid Code Network Bidirectional Encoder Representations from Transformers）模型与TA-HCN-MAML（Time-Aware Hybrid Code Network Model-agnostic Meta-learning）模型,以便其适应于小样本数据集的训练。并利用WOZ数据集以及BABI数据集,来对TA-HCN-BERT与TA-HCN-MAML进行训练。具体研究内容如下:首先,从进行更深层次的语义分析来获取用户的真实意图,提高用户意图捕捉与语义分析的效率的角度出发,提出了TA-HCN-BERT模型。TA-HCN-BERT模型通过增加一种时间门控的方法来改进注意力机制和递归单元,从而更好地捕捉相互作用的非线性时间差异,以及用户顺序行为的时间动态特征,并且使用联合方式来调节所有层中的左右上下文,预先对模型进行了训练。然后,从减少训练复杂度,加快训练收敛速度使其快速适应新任务的角度出发,提出了TA-HCN-MAML模型。该模型采用结合MAML的时间感知个性化网络进行模型梯度自适应,并在LSTM网络结构中新加了一种名为用户意图集成（UII）的新门控机制来建模用户意图与时间序列,并在此基础上采用LSTM结合MAML算法的思想来建模用户意图与动作措施的关系,用大且稠密的数据去应对小且稀疏的数据,来解决某些特定领域没有丰富的带注释的训练示例数据的问题。由于未引入其他体系结构或参数,模型的参数可被明确地训练,只需训练一组初始化参数,通过在初始参数的基础上进行梯度调整,即可达到仅用少量数据就能快速适应新任务的目的,同时降低了模型训练的复杂度。最后,本文将TA-HCN-BERT模型与TA-HCN-MAML模型分别与HCN模型在WOZ数据集与BABI数据集上进行了实验比较,实验结果证明了两个模型的有效性。