本发明提供一种基于人机交互的语音信息处理方法、装置、设备及介质，该方法包括：获取输入的基于自然语言的语音信息；预处理所述语音信息，并提取所述语音信息对应的关联特征，关联特征包括以下至少一维：命名实体、领域和意图；将关联特征内提取的命名实体、领域和意图中的一维或几维按槽位信息进行特征融合；根据融合后的特征确定相应的策略响应。本发明通过提取关联特征中的命名实体、领域和意图中的一维或几维，将特征按槽位信息进行融合后进行响应；一方面，能够灵活的匹配到用户需求；另一方面，经微调能够迅速的迁移到其他场景，提高了其应用能力。另外，显著减少会话的轮数，无需多轮会话即可得到更准确的响应，提高了用户的会话体验。