面向开放领域的对话生成技术是构建智能对话系统中重要的基础技术。该技术旨在使用文本生成的方法,基于对话上下文生成不限领域的回复。目前该技术已广泛应用在智能助手、聊天机器人等应用中,具有很高的研究价值。目前主流的面向开放领域的对话生成模型,都是基于Seq2Seq结构设计的。这些模型在解码阶段使用单一解码器一次性生成对话回复,没有对回复中的实词和虚词进行区别对待。而由于虚词在对话数据中出现的频率要远高于实词,所以这些模型在生成回复时,会面临高频虚词对低频实词的生成造成干扰的问题,导致模型生成低信息量的回复。针对上述问题,本文首先在单轮对话生成任务中提出基于两阶段解码的对话生成模型（Two Stage Dialogue Generation,TSDG）。TSDG模型将对话回复的生成过程解耦成两个解码阶段:在第一阶段中生成回复中的实词序列,避免了高频虚词对其生成造成干扰的问题;在第二阶段中基于已生成的实词序列和对话上下文生成完整的对话回复。然后,本文将两阶段解码方法应用到多轮对话生成任务中,提出了基于层级注意力网络（Hierarchical Recurrent Attention Network,HRAN）的H-TSDG（HRAN-based Two Stage Dialogue Generation）模型。然而,基于RNN和层级注意力机制的H-TSDG模型存在位置偏差问题。为此,本文采用自注意力机制来捕捉相关上下文句子（Detecting the Relevant Contexts with Self-Attention,Re Co Sa）的语义信息,提出了R-TSDG（Re Co Sa-based Two Stage Dialogue Generation）模型。然而,R-TSDG模型仅利用上下文句子的编码信息来生成实词序列,难以捕捉实词之间的语义关系。为此,本文采用多尺度（Multiresolution）编码的方法,在第一解码阶段加入上下文中实词序列的编码信息,提出了Mr-TSDG（Multiresolution Two Stage Dialogue Generation）模型。为了验证本文的模型设计,本文分别在STC-SeFun、Weibo两个单轮对话数据集以及Douban多轮对话数据集上与目前主流的对话生成模型进行实验对比。实验结果显示,本文提出的两阶段对话模型在BLEU、实词分数（Content Words Score,CWS）以及人工评价（流畅性,相关性和信息量）指标上都优于其他几个主流模型,表明本文提出的两阶段解码方法能有效提高对话生成回复的信息量。另外,Mr-TSDG模型与R-TSDG模型的实词序列对比实验结果表明,多尺度编码方法能够提高实词序列的生成质量。