在自然语言处理中,人机对话系统主要关注如何给真人说的一句话作出合理的回应,这涉及到文本、语音、图形等方面的专业计算机科学知识。传统的对话系统大多数是基于某个领域的,有着固定的架构以及实现理论,虽然部分已经实现了商用,但是需要大量的人工来收集知识库并且设计对话规则,耗时、不灵活并且领域局限性太强。现有的少量的领域开放型对话系统的实现方法纷乱纷杂,没有标准的实现方法,并且大多数效果很差。而本研究另辟蹊径,尝试研究如何给出一条微博的合理自动回复,运用统计学方法去学习对话特征,致力于实现一个没有领域限制的人机对话系统。本文主要提出了一种基于短语的统计机器翻译的回应自动产生方法,其目的是从推特状态——回应平行语料中获取英语对话特征。我们把回应推特状态的过程规范化到一个单语机器翻译过程,该过程分为两个阶段。第一个阶段是提炼语料,主要是运用对齐模型将每一个状态——回应对中的未对齐部分移除,保留已经很好的对齐部分;第二个阶段是自动回应系统实现,运用统计机器翻译,在提炼过的语料上训练翻译模型。给出一个新的推特状态,该翻译模型能自动生成回应。此外,为了能够泛化该翻译模型,我们将原始的状态——回应平行语料进行命名实体标注,并重新执行以上两个阶段。作为比较,我们另外实现了另外两种领域开放型对话系统,即基于向量空间搜索以及零知识自学习的对话系统,数据分别来自微博论坛以及电影剧本。我们运用人工方式来评测回应的流畅度以及合理度,并同时给出翻译模型的BLEU分数。